江苏龙网

  1. 主页 > 生活百科 > >

会计岗位笔试题及答案;产品经理经典笔试题？( 三 )


假设目前有一千万个记录(这些查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个 。一个查询串的重复度越高，说明查询它的用户越多，也就是越热门 。)，请你统计最热门的10个查询串，要求使用的内存不能超过1G 。
典型的Top K算法，还是在这篇文章里头有所阐述，
文中，给出的最终算法是：
第一步、先对这批海量数据预处理，在O(N)的时间内用Hash表完成统计(之前写成了排序，特此订正 。July、2011.04.27);
第二步、借助堆这个数据结构，找出Top K，时间复杂度为N‘logK 。
即，借助堆结构，我们可以在log量级的时间内查找和调整/移动 。因此，维护一个K(该题目中是10)大小的小根堆，然后遍历300万的 Query， 分别和根元素进行对比所以，我们最终的时间复杂度是：O(N) + N’*O(logK)，(N为1000万，N’为300万) 。ok，更多，详情，请参考原文 。
或者：采用trie树，关键字域存该查询串出现的次数，没有出现为0 。最后用10个元素的最小推来对出现频率进行排序 。
3、有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M 。返回频数最高的100个词 。
方案：顺序读文件中，对于每个词x，取hash(x)P00，然后按照该值存到5000个小文件(记为x0,x1,…x4999)中 。这样每个文件大概是200k左右 。
如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M 。
对每个小文件，统计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等)，并取出出现频率最大的100个词(可以用含 100 个结点的最小堆)，并把100个词及相应的频率存入文件，这样又得到了5000个文件 。下一步就是把这5000个文件进行归并(类似与归并排序) 的过程了 。
4、有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复 。要求你按照query的频度排序 。
还是典型的TOP K算法，解决方案如下：
方案1：
顺序读取10个文件，按照hash(query)的结果将query写入到另外10个文件(记为)中 。这样新生成的文件每个的大小大约也1G(假设hash函数是随机的) 。
找一台内存在2G左右的机器，依次对用hash_map(query, query_count)来统计每个query出现的次数 。利用快速/堆/归并排序按照出现次数进行排序 。将排序好的query和对应的 query_cout输出到文件中 。这样得到了10个排好序的文件(记为) 。
对这10个文件进行归并排序(内排序与外排序相结合) 。
方案2：
一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了 。这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了 。
方案3：
与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理(比如MapReduce)，最后再进行合并 。
5、 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url?
方案1：可以估计每个文件安的大小为5G×64=320G，远远大于内存限制的4G 。所以不可能将其完全加载到内存中处理 。考虑采取分而治之的方法 。
遍历文件a，对每个url求取hash(url)00，然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,…,a999)中 。这样每个小文件的大约为300M 。
遍历文件b，采取和a相同的方式将url分别存储到1000小文件(记为b0,b1,…,b999) 。这样处理后，所有可能相同的url都在对应的小 文件(a0vsb0,a1vsb1,…,a999vsb999)中，不对应的小文件不可能有相同的url 。然后我们只要求出1000对小文件中相同的 url即可 。
求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中 。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了 。
方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit 。将其中一个文件中的url使用 Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url(注意会有一定的错误率) 。
Bloom filter日后会在本BLOG内详细阐述 。
6、在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数 。
方案1：采用2-Bitmap(每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义)进行，共需内存 2^32 * 2 bit=1 GB内存，还可以接受 。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变 。所描完事后，查看 bitmap，把对应位是01的整数输出即可 。


推荐阅读


上一篇：安德玛鞋子系列介绍~~under armour跑鞋怎么样？ua安德玛跑步鞋实战测评？

下一篇：网上照片冲印有危险吗 网上照片冲印