`
endual
  • 浏览: 3566168 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

海量数据算法笔试题

 
阅读更多

海量数据算法笔试题

521人阅读 评论 (2) 收藏 举报

1. 给定a、b两个文件,各存放50亿个url,每个url各占64字节,内存限制是4G,让你找出a、b文件共同的url?

方案1:可以估计每个文件安的大小为50G×64=320G,远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

s 遍历文件a,对每个url求取clip_image002,然后根据所取得的值将url分别存储到1000个小文件(记为clip_image004)中。这样每个小文件的大约为300M。

s 遍历文件b,采取和a相同的方式将url分别存储到1000各小文件(记为clip_image006)。这样处理后,所有可能相同的url都在对应的小 文件(clip_image008)中,不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。

s 求每对小文件中相同的url时,可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url,看其是否在刚才构建的hash_set中,如果是,那么就是共同的url,存到文件里面就可以了。

方 案2:如果允许有一定的错误率,可以使用Bloom filter,4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit,然后挨个读取另外一个文件的url,检查是否与Bloom filter,如果是,那么该url应该是共同的url(注意会有一定的错误率)。

2. 有10个文件,每个文件1G,每个文件的每一行存放的都是用户的query,每个文件的query都可能重复。要求你按照query的频度排序。

方案1:

s 顺序读取10个文件,按照hash(query)%10的结果将query写入到另外10个文件(记为clip_image010)中。这样新生成的文件每个的大小大约也1G(假设hash函数是随机的)。

s 找一台内存在2G左右的机器,依次对clip_image010[1]用hash_map(query, query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的 query_cout输出到文件中。这样得到了10个排好序的文件(记为clip_image012)。

s 对clip_image012[1]这10个文件进行归并排序(内排序与外排序相结合)。

方案2:

一般query的总量是有限的,只是重复的次数比较多而已,可能对于所有的query,一次性就可以加入到内存了。这样,我们就可以采用trie树/hash_map等直接来统计每个query出现的次数,然后按出现次数做快速/堆/归并排序就可以了。

方案3:

与方案1类似,但在做完hash,分成多个文件后,可以交给多个文件来处理,采用分布式的架构来处理(比如MapReduce),最后再进行合并。

3. 有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16字节,内存限制大小是1M。返回频数最高的100个词。

方 案1:顺序读文件中,对于每个词x,取clip_image014,然后按照该值存到5000个小文件(记为clip_image016)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,知道分解得到的小文件的大小都不超过1M。对每个小文件,统 计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等),并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词及相应的频率存入文件,这样又得到了5000个文件。下一步就是把这5000个文件进行归并(类似与归并排序)的过程了。

4. 海量日志数据,提取出某日访问百度次数最多的那个IP。

方 案1:首先是这一天,并且是访问百度的日志中的IP取出来,逐个写入到一个大文件中。注意到IP是32位的,最多有clip_image018个IP。同 样可以采用映射的方法,比如模1000,把整个大文件映射为1000个小文件,再找出每个小文中出现频率最大的IP(可以采用hash_map进行频率统 计,然后再找出频率最大的几个)及相应的频率。然后再在这1000个最大的IP中,找出那个频率最大的IP,即为所求。

5. 在2.5亿个整数中找出不重复的整数,内存不足以容纳这2.5亿个整数。

方 案1:采用2-Bitmap(每个数分配2bit,00表示不存在,01表示出现一次,10表示多次,11无意义)进行,共需内存 clip_image020内存,还可以接受。然后扫描这2.5亿个整数,查看Bitmap中相对应位,如果是00变01,01变10,10保持不变。所 描完事后,查看bitmap,把对应位是01的整数输出即可。

方案2:也可采用上题类似的方法,进行划分小文件的方法。然后在小文件中找出不重复的整数,并排序。然后再进行归并,注意去除重复的元素。

6. 海量数据分布在100台电脑中,想个办法高校统计出这批数据的TOP10。

方案1:

s 在每台电脑上求出TOP10,可以采用包含10个元素的堆完成(TOP10小,用最大堆,TOP10大,用最小堆)。比如求TOP10大,我们首先取前 10个元素调整成最小堆,如果发现,然后扫描后面的数据,并与堆顶元素比较,如果比堆顶元素大,那么用该元素替换堆顶,然后再调整为最小堆。最后堆中的元 素就是TOP10大。

s 求出每台电脑上的TOP10后,然后把这100台电脑上的TOP10组合起来,共1000个数据,再利用上面类似的方法求出TOP10就可以了。

7. 怎么在海量数据中找出重复次数最多的一个?

方案1:先做hash,然后求模映射为小文件,求出每个小文件中重复次数最多的一个,并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求(具体参考前面的题)。

8. 上千万或上亿数据(有重复),统计其中出现次数最多的钱N个数据。

方案1:上千万或上亿的数据,现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了,可以用第6题提到的堆机制完成。

9. 1000万字符串,其中有些是重复的,需要把重复的全部去掉,保留没有重复的字符串。请怎么设计和实现?

方案1:这题用trie树比较合适,hash_map也应该能行。

10. 一个文本文件,大约有一万行,每行一个词,要求统计出其中最频繁出现的前10个词,请给出思想,给出时间复杂度分析。

方 案1:这题是考虑时间效率。用trie树统计每个词出现的次数,时间复杂度是O(n*le)(le表示单词的平准长度)。然后是找出出现最频繁的前10个 词,可以用堆来实现,前面的题中已经讲到了,时间复杂度是O(n*lg10)。所以总的时间复杂度,是O(n*le)与O(n*lg10)中较大的哪一 个。

11. 一个文本文件,找出前10个经常出现的词,但这次文件比较长,说是上亿行或十亿行,总之无法一次读入内存,问最优解。

方案1:首先根据用hash并求模,将文件分解为多个小文件,对于单个文件利用上题的方法求出每个文件件中10个最常出现的词。然后再进行归并处理,找出最终的10个最常出现的词。

12. 100w个数中找出最大的100个数。

方案1:在前面的题中,我们已经提到了,用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。

方案2:采用快速排序的思想,每次分割之后只考虑比轴大的一部分,知道比轴大的一部分在比100多的时候,采用传统排序算法排序,取前100个。复杂度为O(100w*100)。

方 案3:采用局部淘汰法。选取前100个元素,并排序,记为序列L。然后一次扫描剩余的元素x,与排好序的100个元素中最小的元素比,如果比这个最小的要 大,那么把这个最小的元素删除,并把x利用插入排序的思想,插入到序列L中。依次循环,知道扫描了所有的元素。复杂度为O(100w*100)。

13. 寻找热门查询:

搜 索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来,每个查询串的长度为1-255字节。假设目前有一千万个记录,这些查询串的重复读比较 高,虽然总数是1千万,但是如果去除重复和,不超过3百万个。一个查询串的重复度越高,说明查询它的用户越多,也就越热门。请你统计最热门的10个查询 串,要求使用的内存不能超过1G。

(1) 请描述你解决这个问题的思路;

(2) 请给出主要的处理流程,算法,以及算法的复杂度。

方案1:采用trie树,关键字域存该查询串出现的次数,没有出现为0。最后用10个元素的最小推来对出现频率进行排序。

14. 一共有N个机器,每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到clip_image022个数中的中数?

方 案1:先大体估计一下这些数的范围,比如这里假设这些数都是32位无符号整数(共有clip_image018[1]个)。我们把0到 clip_image024的整数划分为N个范围段,每个段包含clip_image026个整数。比如,第一个段位0到clip_image028,第 二段为clip_image026[1]到clip_image030,…,第N个段为clip_image032到clip_image024[1]。 然后,扫描每个机器上的N个数,把属于第一个区段的数放到第一个机器上,属于第二个区段的数放到第二个机器上,…,属于第N个区段的数放到第N个机器上。 注意这个过程每个机器上存储的数应该是O(N)的。下面我们依次统计每个机器上数的个数,一次累加,直到找到第k个机器,在该机器上累加的数大于或等于 clip_image034,而在第k-1个机器上的累加数小于clip_image034[1],并把这个数记为x。那么我们要找的中位数在第k个机器 中,排在第clip_image036位。然后我们对第k个机器的数排序,并找出第clip_image036[1]个数,即为所求的中位数。复杂度是 clip_image038的。

方案2:先对每台机器上的数进行排序。排好序后,我们采用归并排序的思想,将这N个机器上的数归并起来得到最终的排序。找到第clip_image034[2]个便是所求。复杂度是clip_image040的。

15. 最大间隙问题

给定n个实数clip_image042,求着n个实数在实轴上向量2个数之间的最大差值,要求线性的时间算法。

方案1:最先想到的方法就是先对这n个数据进行排序,然后一遍扫描即可确定相邻的最大间隙。但该方法不能满足线性时间的要求。故采取如下方法:

s 找到n个数据中最大和最小数据max和min。

s 用n-2个点等分区间[min, max],即将[min, max]等分为n-1个区间(前闭后开区间),将这些区间看作桶,编号为clip_image044,且桶clip_image046的上界和桶i+1的 下届相同,即每个桶的大小相同。每个桶的大小为:clip_image048。实际上,这些桶的边界构成了一个等差数列(首项为min,公差为 clip_image050),且认为将min放入第一个桶,将max放入第n-1个桶。

s 将n个数放入n-1个桶中:将每个元素clip_image052分配到某个桶(编号为index),其中clip_image054,并求出分到每个桶的最大最小数据。

s 最大间隙:除最大最小数据max和min以外的n-2个数据放入n-1个桶中,由抽屉原理可知至少有一个桶是空的,又因为每个桶的大小相同,所以最大间隙 不会在同一桶中出现,一定是某个桶的上界和气候某个桶的下界之间隙,且该量筒之间的桶(即便好在该连个便好之间的桶)一定是空桶。也就是说,最大间隙在桶 i的上界和桶j的下界之间产生clip_image056。一遍扫描即可完成。

16. 将多个集合合并成没有交集的集合:给定一个字符串的集合,格式如:clip_image058。要求将其中交集不为空的集合合并,要求合并完成的集合之间无交集,例如上例应输出clip_image060。

(1) 请描述你解决这个问题的思路;

(2) 给出主要的处理流程,算法,以及算法的复杂度;

(3) 请描述可能的改进。

方 案1:采用并查集。首先所有的字符串都在单独的并查集中。然后依扫描每个集合,顺序合并将两个相邻元素合并。例如,对于clip_image062,首先 查看aaa和bbb是否在同一个并查集中,如果不在,那么把它们所在的并查集合并,然后再看bbb和ccc是否在同一个并查集中,如果不在,那么也把它们 所在的并查集合并。接下来再扫描其他的集合,当所有的集合都扫描完了,并查集代表的集合便是所求。复杂度应该是O(NlgN)的。改进的话,首先可以记录 每个节点的根结点,改进查询。合并的时候,可以把大的和小的进行合,这样也减少复杂度。

17. 最大子序列与最大子矩阵问题

数组的最大子序列问题:给定一个数组,其中元素有正,也有负,找出其中一个连续子序列,使和最大。

方案1:这个问题可以动态规划的思想解决。设clip_image064表示以第i个元素clip_image066结尾的最大子序列,那么显然clip_image068。基于这一点可以很快用代码实现。

最大子矩阵问题:给定一个矩阵(二维数组),其中数据有大有小,请找一个子矩阵,使得子矩阵的和最大,并输出这个和。

方案1:可以采用与最大子序列类似的思想来解决。如果我们确定了选择第i列和第j列之间的元素,那么在这个范围内,其实就是一个最大子序列问题。如何确定第i列和第j列可以词用暴搜的方法进行。

分享到:
评论

相关推荐

    08百度笔试题(北京)

    【标题解析】:“08百度笔试题(北京...综上所述,这份笔试题涵盖了数据结构(哈希表、链表)、算法(动态中位数计算)、以及系统设计(拼音提示服务)等多个IT核心知识点,全面检验了应聘者的编程技能和问题解决能力。

    必备的常用面试题汇总

    3. **海量数据处理**: - **排序与查找**:快速稳定的排序算法在大数据场景下尤其重要,如外部排序。 - **哈希表**:用于快速查找,解决“查找”、“去重”等问题。 - **分治策略**:将大问题分解为小问题,如...

    百度大数据云计算研发岗笔试题

    根据给定的百度2015年大数据云计算研发笔试题的内容,我们可以提炼出以下几个重要的知识点: ### 一、Hadoop, Spark, MPI 计算框架的特点及适用场景 #### Hadoop - **特点**:Hadoop是一种基于分布式文件系统HDFS...

    腾讯笔试题1.doc

    腾讯笔试题经常考察优化算法以降低时间复杂度,如在海量数据中寻找最大值或最小值,或高效排序。 12. **逻辑思维与智力题**: 笔试中可能包含逻辑题和智力题,例如桥的问题,需要策略规划和时间优化。 13. **C++...

    腾讯笔试题.doc

    ### 腾讯笔试题解析:程序设计与算法优化 #### 题目一:设计程序缓存和查找算法 **题目背景与分析** 在腾讯的笔试题中,提出了一种场景,即电信网络每分钟有高达60万次的登录尝试,要求设计一种程序,能够识别并...

    程序员面试笔试机试100题系列

    该系列的文章覆盖了数据结构、算法、海量数据处理三大主题,是面试者提高编程技能、锻炼逻辑思维能力以及解决实际问题能力的重要工具。 首先,数据结构是计算机存储、组织数据的方式,是程序设计的基础。在微软面试...

    经典面试题——海量数据库

    以上技术在大数据场景下尤其重要,它们能够在有限的内存资源下处理海量数据,提供高效且节省空间的解决方案。理解和熟练运用这些数据结构和算法是IT专业人员必备的技能。在实际应用中,可以根据具体需求和资源限制...

    Python自动化测试笔试面试题精选

    此外,哈希还可以用于高效查找,例如在海量数据中找出top K的数据,通过建立哈希表可以快速去重并降低后续处理的数据量。 递归是一种重要的算法思想,它通过函数自身调用来解决问题。在面试中,递归常常与树结构、...

    2009-2013百度校园招聘笔试题

    在海量数据下,合理的数据存储和索引设计至关重要,以确保快速查找和更新数据。可能涉及的技术包括数据库优化、缓存机制和NoSQL数据库的应用。 **知识点12:消息队列与事件驱动架构** 为了实时更新用户的好友活动...

    net 笔试题汇总

    8. **海量数据插入优化**:大数据量插入可能导致数据库报错,可能的原因有内存不足、表锁定、索引冲突等。解决方法包括分批插入、禁用索引、调整数据库参数、使用批量插入语句、优化事务大小等。 9. **数据去重算法...

    京东校招面试笔试题

    《京东校招面试笔试题详解》 京东作为中国领先的电子商务平台,其招聘流程严谨且具有挑战性,尤其是针对应届毕业生的校招面试。面试过程通常包括笔试和面试环节,旨在全面评估候选人的综合素质、专业技能以及解决...

    Java技术专家笔试题.pdf

    ### 海量数据存储结构设计 #### 知识点: 1. **数据库选型与分库分表:** - 对于40亿条数据,可以选择高性能的数据库如MySQL或NoSQL数据库如Cassandra。 - 使用分库分表策略将数据分布到多个数据库或表中,以...

    数据结构微软面试100道题

    微软面试100道题系列是一套针对IT行业内应聘微软等知名科技公司的面试题集,它主要包括三个部分:数据结构、算法和海量数据处理。这些内容是程序员面试中非常重要的三个考察方向。 数据结构是计算机存储、组织数据...

    豆瓣2013校园招聘研发笔试题

    根据给定的豆瓣2013校园招聘研发笔试题,我们可以从中提炼出多个重要的IT知识点,涵盖编程、数据结构、算法、数据库管理以及网络技术等多个领域。下面将逐一解析: ### 1. 函数递归与输出结果预测 题目要求求解...

    06年9月二级C++笔试试题与答案

    这通常包括了C++语言的基础知识、程序设计原理、数据结构、算法分析等多个方面。考生需要对C++的语法、类与对象、继承、多态性、模板、异常处理以及STL(标准模板库)等核心概念有深入理解。这份资源包含试题和答案...

    面试题-最新Java企业笔试面试题大全-百度、腾讯、头条、美团的Java面试题目总结

    面试题 ...教你如何迅速秒杀掉:99%的海量数据处理面试题@.pdf 0.5MB 很全面的软件工程师面试资料@.docx 0.0MB 常见算法面试题@.docx 0.0MB 百度、腾讯、头条、美团的Java面试题目总结@.docx 3.0MB

    编程之法:面试和算法心得 清晰完整版

    本书第1章至第6章分别阐述字符串、数组、树、查找、动态规划、海量数据处理等相关的编程面试题和算法,第7章介绍机器学习的两个算法—K近邻和SVM。 此外,《编程之法:面试和算法心得》每一章都有“举一反三”和...

    奇虎360 2016校园招聘研发工程师笔试题.pdf

    在奇虎3602016年研发工程师笔试题中,我们发现两个主要题型:字符串处理和图论问题。这两个题型不仅是编程基础中的核心内容,同时也是衡量一个研发工程师能力的重要标准。 首先是关于字符串处理的题目,它要求参赛...

Global site tag (gtag.js) - Google Analytics