如何找出某一天访问百度网站最多的 IP

题目描述：

现有海量日志数据保存在一个超级大的文件中，该文件无法直接读入内存，要求从中提取某天访问百度次数最多的那个 IP。

分析与解答：

由于这道题只关心某一天访问百度最多的 IP，因此可以先对文件进行一次遍历，把这一天访问百度网站的 IP 的相关信息记录到一个单独的文件中。接下来可以用上一节介绍的方法来求解。由于求解思路是一样的，这里就不再详细介绍了。唯一需要确定的是，把一个大文件分为几个小文件比较合适。以 IPv4 为例，由于一个 IP 地址占用 32bit，因此最多会有 232种取值情况。如果使用 hash（IP）%1024 值，那么就把海量 IP 日志分别存储到 1024 个小文件中。这样，每个小文件最多包含 4M 个 IP 地址。如果使用 2048 个小文件，那么每个文件会最多包含 2M 个 IP 地址。因此，对于这类题目而言，首先需要确定可用内存的大小，然后确定数据的大小。由这两个参数就可以确定 hash 函数应该怎么设置才能保证每个文件的大小都不超过内存的大小，从而可以保证每个小文件都能被一次性加载到内存中。