e-works数字化企业网  »  文章频道  »  基础信息化  »  大数据

遇到海量数据时怎样处理?

2017/10/11    来源:网络大数据    作者:佚名      
关键字:海量数据处理  大数据  
本文将介绍一些处理海量数据问题的常见方法,也可以说是对海量数据的处理方法进行了一个简单的总结。
    本文将介绍一些处理海量数据问题的常见方法,也可以说是对海量数据的处理方法进行了一个简单的总结。
 
    (一)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。
 
    (二)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。
 
    (三)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。
 
    (四)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小,最小堆求前n大。方法,比如求前n小,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。
 
    (五)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。
 
    扩展:
 
    问题实例:
 
    1).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。
 
    有点像鸽巢原理,整数个数为2^32,也就是,我们可以将这2^32个数,划分为2^8个区域(比如用单个文件代表一个区域),然后将数据分离到不同的区域,然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间,就可以很方便的解决。
 
    2).5亿个int找它们的中位数。
 
    这个例子比上面那个更明显。首先我们 将int划分为2^16个区域,然后读取数据统计落到各个区域里的数的个数,之后我们根据统计结果就可以判断中位数落到那个区域,同时知道这个区域中的第 几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
 
    实际上,如果不是int是int64,我们可以经过3次这样的划分即可降低到可以接受 的程度。即可以先将int64分成2^24个区域,然后确定区域的第几大数,在将该区域分成2^20个子区域,然后确定是子区域的第几大数,然后子区域里 的数的个数只有2^20,就可以直接利用direct addr table进行统计了。
 

责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐