海量日志数据__怎么在海量数据中找出重复次数最多的一个

问题一：

        怎么在海量数据中找出重复次数最多的一个

算法思想：

        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（如下）。

 

问题二：

        网站日志中记录了用户的IP，找出访问次数最多的IP。

算法思想：
       IP地址最多有2^32=4G种取值可能，所以不能完全加载到内存中。  

       可以考虑分而治之的策略；

        map 

                按照IP地址的hash(IP)%1024值，将海量日志存储到1024个小文件中，每个小文件最多包含4M个IP地址。 

        reduce
                对于每个小文件，可以构建一个IP作为key，出现次数作为value的hash_map，并记录当前出现次数最多的1个IP地址。

                有了1024个小文件中的出现次数最多的IP，我们就可以轻松得到总体上出现次数最多的IP。

  

同样的问题：

       假设有1kw个身份证号，以及他们对应的数据。身份证号可能重复，要求找出出现次数最多的身份证号。

 

补充问题：

       如果是要找出前k个最大的呢？

 

 

类似问题：

       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。

算法思想：

第一步、顺序读文件中，对于每个词x，取，然后按照该值存到5000个小文件（记为）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，直到分解得到的小文件的大小都不超过1M。

(第一步结束后，相同内容的词在同一个文件中，且文件比较小)

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。

类似问题：

        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。

算法思想：

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）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）。
       找一台内存在2G左右的机器，依次对用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（b0,b1,b2,...,b9）。
对(b0，b1，b2..，b9)这10个文件进行归并排序（内排序与外排序相结合）。