海量数据搜索算法优化

原文地址 http://www.ad0.cn/netfetch/read.php/1134.htm


海量数据库的应用，如国家的人口管理系统，户籍档案管理系统，在这样的海量数据库应用中，数据库的存储设计和结构优化（如索引优化）、数据库的查询优化及分页算法尤为重要！

    随着互联网的日益普及，海量信息的增长，网格运算的到来，海量数据存储产品和海量数据存储技术方案的需求更为市场所需。

    同时，实际的海量数据处理，更是涉及很多细节，包括海量数据存储（物理存储、逻辑存储、海量数据库的备份）、数据采集、海量数据查询（海量数据分页、海量数据排序）、海量数据安全和管理等。


百度、google海量数据搜索算法题解

下面是某同仁在baidu和google的笔试中遇到的两道“百度、google海量数据搜索算法题解”

Google和baidu，人家的数据量在那里摆着，他们的命题思路很明确，不要求具体语言，只要求程序的效率和可行性，题目大多数是关于海量数据搜索的算法问题。

百度、google的海量数据搜索算法题

　　1、有1亿个浮点数，请找出其中最大的10000个。提示：假设每个浮点数占4个字节，1亿个浮点数就要站到相当大的空间，因此不能一次将全部读入内存进行排序。

　　2、有一篇英文文章(也就是说每个单词之间由空格分隔)，请找出“csdn”着个单词出现的次数，要求效率最高，并写出算法的时间级。


Peak Wong的海量数据搜索算法题解

　　1、有1亿个浮点数，请找出其中最大的10000个。提示：假设每个浮点数占4个字节，1亿个浮点数就要站到相当大的空间，因此不能一次将全部读入内存进行排序。

　　~~~~~~~~~~~~~

　　其实占用内存不算大, 可以接受. 呵呵.

　　既然不可以一次读入内存, 那可以这么试试:

　　方法1: 读出100w个数据, 找出最大的1w个, 如果这100w数据选择够理想, 那么以这1w个数据里面最小的为基准, 可以过滤掉1亿数据里面99%的数据, 最后就再一次在剩下的100w(1%)里面找出最大的1w个咯~~

　　方法2: 分块, 比如100w一个块, 找出最大1w个, 一次下来就剩下100w数据需要找出1w个了.（注意消重，这剩下的100w个数据应该是互不相同的。即每找出一个块里最大的1w个，就应该hash存储。下一个块中若出现了已存储的数据，则不计在此块的top 1w里，这样才能保证最终剩下的100w里面寻找top 1w就接近1亿里面的top 1w。想想：如果每个块的top 1w都基本是重复的，不消重的话，最终的结果有可能就少于1w个。）

　　对于上面提到的找出100w个数据里面最大的1w个, 说起来比较罗嗦, 还是说说找到第1w个大的数字的方法:

　　用快速排序的方法, 分2堆, 如果大的那堆个数N大于1w个, 继续对大堆快速排序一次分成2堆, 如果大堆个数N小于1w, 就在小的那堆里面快速排序一次, 找第10000-N大的数字; 递归以上过程, 就可以找到第1w大的数. 据说也是STL的search_n()的方法;（更好的一种类似的方法是将这些数以5个为一组，每组通过插入排序找出其中位数，再找出其中位数的中位数，依次递归，找出最终一个中位数x，然后按照x对序列进行快排，且设x是序列的第k大的数，如果要找的是第i大的数，则比较k与i的关系，如果相等，直接返回x，否则如果k>i，则在小的那堆里面继续按照这种方式快排，如果k<i，则在大堆里面找第i-k大的数。）

　　参考上面的找出第1w大数字, 相信楼主就可以类似的方法找出前1w大数字了.


　　第二个问题，其实很简单。

　　假设不区分大小写，由于英文字母有26个，因此，可以将单词映射为数字。csdn被映射成:

　　( 'c '- 'a ')*32*32*32+( 's '- 'a ')*32*32+( 'd '- 'a ')*32+( 'n '- 'a ')

　　即：( 'c '- 'a ')*(1 < <15)+( 's '- 'a ')*(1 < <10)+( 'd '- 'a ')*(1 < <5)+( 'n '- 'a ')
因为每位都有0-25，共26个值，所以这里采用了32进制，主要是因为32>26，且32 = 1<<5，利用移位操作使得效率大大提高，不需要再按位比较字符串，通过移位之后比较两英文单词所映射得到的整数值即可（比较一次）。