锐客网

  1. 首页 > 睿知 > it技术 > >

php大数据分析 php大数据分析工具( 二 )

IT技术数据


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
基本原理及要点：使用bit数组来表示某些元素是否存在 ， 比如8位电话号码
扩展：bloom filter可以看做是对bit-map的扩展
问题实例：
1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数 。
8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可 。
2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数 。
将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上 。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map 。
4.堆
适用范围：海量数据前n大，并且n比较小 ， 堆可以放入内存
基本原理及要点：最大堆求前n?。钚《亚笄皀大 。方法，比如求前n?。?我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素 。这样最后得到的n个元素就是最小的n个 。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高 。
扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数 。
问题实例：
1)100w个数中找最大的前100个数 。
用一个100个元素大小的最小堆即可 。
5.双层桶划分 ----其实本质上就是【分而治之】的思想 ， 重在“分”的技巧上！
适用范围：第k大，中位数，不重复或重复的数字
基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分 ， 逐步确定范围，然后最后在一个可以接受的范围内进行 。可以通过多次缩小，双层只是一个例子 。

推荐阅读


上一篇：gis制图用什么软件有哪些，gis的常用软件

下一篇：pg数据库常用语句，pg数据库基本操作