锐客网

  1. 首页 > 睿知 > it技术 > >

php玩大数据 php yield 处理大数据

IT技术开包

PHP的算法可以实现大数据分析吗1.Bloom filter
适用范围：可以用来实现数据字典 ， 进行数据的判重，或者集合求交集
基本原理及要点：
对于原理来说很简单，位数组+k个独立hash函数 。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的 。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字 。所以一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了 。
还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数 。当hash函数个数k=(ln2)*(m/n)时错误率最小 。在错误率不大于E的情况下 ， m至少要等于n*lg(1/E)才能表示任意n个元素的集合 。但m还应该更大些，因为还要保证bit数组里至少一半为 0，则m 应该=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数) 。
举个例子我们假设错误率为0.01，则此时m应大概是n的13倍 。这样k大概是8个 。
注意这里m与n的单位不同，m是bit为单位 ， 而n则是以元素个数为单位(准确的说是不同元素的个数) 。通常单个元素的长度都是有很多bit的 。所以使用bloom filter内存上通常都是节省的 。
扩展：
Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中 。Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作 。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联 。SBF采用counter中的最小值来近似表示元素的出现频率 。
问题实例：给你A,B两个文件，各存放50亿条URL ， 每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL 。如果是三个乃至n个文件呢？
根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿 ， 如果按出错率0.01算需要的大概是650亿个 bit 。现在可用的是340亿 ， 相差并不多，这样可能会使出错率上升些 。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了 。
2.Hashing
适用范围：快速查找 ， 删除的基本数据结构 ， 通常需要总数据量可以放入内存
基本原理及要点：
hash函数选择，针对字符串，整数，排列，具体相应的hash方法 。
碰撞处理，一种是open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法，opened addressing 。()
扩展：
d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing 。2-left hashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2 。在存储一个新的key时，同时用两个哈希函数进行计算，得出两个地址h1[key]和h2[key] 。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置 。如果两边一样多，比如两个位置都为空或者都存储了一个key ， 就把新key 存储在左边的T1子表中 ， 2-left也由此而来 。在查找一个key时，必须进行两次hash ， 同时查找两个位置 。
问题实例：
1).海量日志数据，提取出某日访问百度次数最多的那个IP 。
IP的数目还是有限的，最多2^32个 ， 所以可以考虑使用hash将ip直接存入内存，然后进行统计 。
3.bit-map
适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下

推荐阅读


上一篇：app开发有分ios端吗，app ios开发

下一篇：gis设备培训总结，gis基础培训