海量数据处理一:一个实例
Posted 李闹闹童鞋的博客
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了海量数据处理一:一个实例相关的知识,希望对你有一定的参考价值。
题目:
给定一个输入文件,包含40亿个非负整数,请设计一种算法,产生一个不在该文件中的整数。假定你有1GB内存来完成这个任务。
一、几个数字
1、40亿==4*109~~22*230==232,也就是说整数就这么多个
2、1GB==230B==8*230b~~80亿,也就是说如果用一位表示一个整数,可以表示80亿个整数(虽然没有这么多)
二、需要用到的C++基础知识
1、byte类型:byte并不是C++数据类型的关键字,如果希望使用byte类型,可以用unsigned char类型(8位)
2、unsigned char 与 char的区别,char类型的首位代表的正负号,所以取值是-128~127。
3、求类型的最大值 https://msdn.microsoft.com/en-us/library/296az74e(VS.80).aspx
1 #include<iostream> 2 using namespace std; 3 void main() 4 { 5 cout<<INT_MAX<<endl; 6 cout<<CHAR_MAX<<endl; 7 cout<<UCHAR_MAX<<endl; 8 }
4、读文件操作
1 #include<iostream> 2 #include<fstream> 3 using namespace std; 4 void main() 5 { 6 ifstream infile; 7 infile.open("data.txt"); 8 if(!infile){ 9 cerr<<"error:unable to open input file: "<<infile<<endl; 10 return; 11 } 12 char s[10]; 13 while(!infile.eof()) 14 { 15 infile.getline(s,‘\n‘); 16 cout<<s<<endl; 17 } 18 }
5、位操作
<< :左移符号 —— 1<<2 ——> 00000001<<2 ——> 00000100(相应的>>)
&:与操作,都为1取1,其余为0 01010101 & 00001111==00000101(相应的|和 ^)
+:注意区分一下‘+‘和‘&‘,‘+‘ 是求和,逢2进1
三、位向量
向量,vector,在Java里面就是一种大小可改变的数组
位向量,首先是一个向量(数组),每个元素占用1位的内存空间,存放的是0和1。
四、问题解决
1、思路:按照最开始的分析,如果用一位代表一个整数,那么1G内存完全可以放下
(1)创建一二包含40亿个比特的位向量BV(采用的是byte严格来讲不叫位向量吧)
(2)将BV的元素初始化为0
(3)扫描文件中的所有数字,将代表当前数字的为置为1
(4)从头遍历BV,返回第一个值为0的索引
2、数据类型采用的是byte,byte类型占8位,因此可以代表8个整形数字,给定一个数,如何计算它的位置?
byte []bv = new byte[num]
0:在第一个元素的第8位
7:在第一个元素的第1位
10:10>7,所以第一个元素没有它的位置了,它在第二个元素的第三位
...
对任一个整数n,它所在的位置为byte[n/8]的第1<<n%8位,大概是这样的赶脚:
7 6 5 4 3 2 1 0 , 15 14 13 12 11 10 9 8,.....
那给定一个位置,如上,求它代表的数字,即byte[i][1<<j](就先这样表示了)
byte[0][1<<4] = i*8+4 = 4
byte[1][1<<[1<<5]=1*8+5 = 13
3、代码
1 #include<iostream> 2 #include<fstream> 3 using namespace std; 4 void main() 5 { 6 ifstream infile; 7 infile.open("data.txt"); 8 if(!infile){ 9 cerr<<"error:unable to open input file: "<<infile<<endl; 10 return; 11 } 12 char s[10]; 13 int temp=0; 14 unsigned int nInts = INT_MAX+1; 15 cout<<nInts<<endl; 16 unsigned char *bv = new unsigned char(nInts/8); 17 while(!infile.eof()) 18 { 19 infile.getline(s,‘\n‘); 20 //cout<<typeid(s).name(); 21 temp=atoi(s); 22 cout<<temp<<endl; 23 bv[temp/8] |= 1<<(temp%8); 24 } 25 for(int i=0;i<sizeof(bv);i++){ 26 for(int j=0;j<8;j++){ 27 if(((bv[i]>>j)&1) == 0){ 28 cout<<"result:"<<i*8+j<<endl; 29 return; 30 } 31 } 32 } 33 }
为了写出这段代码真是要了亲命了......
我用古老的VC6.0运行的会报错误,但是结果还是算出来了,一定是VC的问题,嗯...
但是我没有用海量的数据去测试
这道题的思路和解法参考的是《面试金典》上的一道题,只不过我改成了C++版本,
而且貌似它给的代码有些小bug,第18行的判断,未实验,感觉是....反正我的版本改了。
五、进阶:只能使用10MB内存
遇到这种问题的时候,虽然我不保证能做出来,但是会这样去想:
给了数据量和内存,先大概估算一下内存能否放的下:
(1)可以放下,最简单的就是排序求解了
(2)放不下,那就分而治之,划分为不同的子文件,分别求解
但是现在好像可以这样想:
(2)放不下,但是可以用位向量表示,位向量放的下,就可以用位向量求解
(3)不能用位向量或者位向量也放不下,那就只能另寻他法了。
对于这道题,我的第一反应也是划分子文件,再求解,但是看到了另一种差不多的方法...
思路:
显然现在这种情况(1)(2)都不行了,只能划分。
10MB=10*220B~223B————221个整数
所以划分为每块可以存储221个整数的区块
区块的个数:232/221=211——2000块
怎么个意思呢:
稍微调节一下,区块大小220,块数212
(1)首先扫描整个文件
如果属于区间[0,220-1],区块1++;如果属于[220,221-1],区块2++...
(2)各个区块,看各个区块的值是多少
如果值<220,此区块一定少元素
(3)在少数字的区块通过前述位向量的方法计算
问题:
因为存在重复数字,万一正好每个区间都不少呢?就只能对每一个区块都进行位向量计算吗?
以上是关于海量数据处理一:一个实例的主要内容,如果未能解决你的问题,请参考以下文章
Android 逆向使用 Python 解析 ELF 文件 ( Capstone 反汇编 ELF 文件中的机器码数据 | 创建反汇编解析器实例对象 | 设置汇编解析器显示细节 )(代码片段