大数据面试题2021 _数据

每晚10点，捕获技术思考和创业资源洞察

【大数据面试题2021】“分而治之”( Divide and conquer)方法(又称“分治术”) ，是有效算法设计中普遍采用的一种技术。

有一个1G大小的一个文件，里面每一行是一个英文单词，词的大小不超过16字节，内存限制是1M 。请设计一个算法思路，返回频数最高的100个词.
初步一看，要处理的文件大小1G ，可内存却只有1M 。我们知道1G的文件用1M的内存空间处理不太现实。按照1M的上限来计算，假设每个单词都为16个字节，那么1M的内存可以处理多少个单词？
我们来计算下，1M = 1024 KB = 1024 * 1024 B。1M / 16B = 2^16个单词，那么1G大概有多少个单词呢？有2^26个单词，但是实际中应该不止，因为我们是按照最大单词长度来计算的，有可能有的单词只有两个字母。

文章插图
方案1大概思路：

分而治之/hash映射：顺序读文件中，对于每个词x，取hash(x)%5000 ，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 。
hash统计：对每个小文件，采用trie树/hash_map等统计每个文件中出现的词以及相应的频率。
堆/归并排序：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，这时我们又得到了5000个文件。最后把这5000个文件进行归并（类似与归并排序）的过程。

类似这样的方案应该有很多，我们共同去研究学习，经验都是个人实践总结出来的，以上仅代表个人观点。以此分享给大家，不足之处望大家留言补充。