Hadoop学习之路（一）理论基础和逻辑思维
三个题目
第一题
问题描述
统计出当前这个一行一个IP的文件中，到底哪个IP出现的次数最多
解决思路
//必须要能读取这个内容 BufferedReader br = new BuffedReader(new FileInputStream(new File("c:/big.txt"))); // 每次读取一行 String line = null; while( (line=br.readLine()) != null){ // 处理这读取到的一行内容的代码 } //最简单的一种思路： 初始化一个hashmap //hashmap中存储的键值对的 key ： IP value : 次数 int count = 0; // 就是用来进行存储当前出现次数最多的那个IP的次数 String maxip = null; Set<String> ips = hashmap.keySet(); for(String ip : ips){ int ipcount = hashmap.get(ip) if(ipcount > count){ count = ipcount maxip = ip; } } System.out.println(maxip + " : " +count);
问题难点
1、当读取的文件的大小超过内存的大小时，以上的解决方案是不可行的。
2、假如说你的内存足够大，能装下这个文件中的所有ip，整个任务的执行效率会非常低，消耗的时间会非常的长。
1GB -- 5分
1TB --- 1024 * 5 分
3、最终整个任务就使用一台机器，那么最终整个任务执行完成所消耗的时间是和数据的大小成正比。提升服务器的执行性能来提高数据的处理速度。
当前这一台机器的执行性能： 5分钟/GB
提升服务器的执行性能： CPU ：i3 ---> i7 1分钟/GB
在最开始的服务器领域：提升服务器对外提供服务的效率手段就是纵向提升服务器性能。理想是丰满的，现实是骨感的，但是服务器性能提升有瓶颈。
摩尔定律：每隔18-24个月，服务器的性能提升一倍。
如果说数据的增长是每隔18-24个月就增长一倍,工作量增加了一倍。工作效率也增加了一倍，那么最终完成同一个任务所花费的时间是一样的。
但是数据的增长速度是远远超过服务器性能的提升。在数据不断增长的情况下，单位时间内，服务器所需要处理的数据量是越来越大。
假如：
服务器的性能提升 速率 和 数据的增长速率一样： 在18-24个月
10GB --- 性能： 1分钟/GB --- 10分钟
20GB --- 性能： 1分钟/2GB --- 10分钟
假如：
服务器的性能提升 速率 和 数据的增长速率不一样： 在18-24个月
10GB --- 性能： 1分钟/GB --- 10分钟
100GB --- 性能： 1分钟/2GB --- 50分钟
最终的结论： 靠 纵向提升服务器性能的手段 在理论上有 瓶颈的。
最终解决方案：纵向不可取，所以采取横向扩展。
所谓的横向扩展：就是增加服务器的数量。
一个庞大的复杂任务就应该 平均分配给所有的服务器做处理
10GB 一台服务器 10分钟
100GB 一台服务器 100分钟
100GB 10台服务器 10分钟
10000GB 1000台 10分钟
在理论上 有上限么？？没有
两种情况下：
1、在数据量比较小的情况下，单台服务器就可以再用户可接受的时限范围内完成任务。
2、当数据量变大时，如果用户也想在可接受的时限范围内完成任务，那么可行的方案就是进行服务器的横向扩展。
核心思想： 大事化小 分而治之
终极解决方案：
1、先把文件切碎成很多的小文件。
2、每一个服务器节点去处理一个小文件。
3、再把所有服务器的处理结果汇总到一起。
4、再把所有的数据合并到一起求出出现次数最多的那个ip。
只要是通过网络传输数据，就一定存在丢失数据的可能。
第二题
问题描述
在两个庞大文件中，文件也都是存储的URL地址（每行一个），比如文件名叫做file1和file2, 找出这两个文件中的交集（相同的URL）？
以上问题等同于SQL：select url from file1 a join file2 b on a.url = b.url
问题分析
概念：出现在在file1中的元素也出现在file2中。这些元素的集合就是交集
需求：求2个文件的交集
文件中的元素：URL
解决方案
1.当2个文件都比较小的时候
步骤：
1. 编写一个程序可以去读文件的内容，把文件中的所有元素都放置在一个set1中
编写一个流处理取读取文件内容，逐行读取，每次读取到的一行放入set1中
2. 运行相同的程序处理另外一个文件的内容，把文件中的所有元素都放置在一个set2中
3. 先遍历一个集合，每次遍历出来的元素都去另外一个集合中判断存在不存在。如果存在，就是共同元素，这个共同元素就存储在某个集合中resultSet；如果不存在，就不是共同元素。
4. 结果集：集合resultSet
2.当2个文件都比较大的时候
第一种思路：采取跟第一个题目一样的大事化小的策略
第二种思路：改良第一种思路。避免第一种思路中的很多无效匹配 a1 * a2
必须做到合理的数据分区，数据分区的两种最基本的思路：
1.先排序，然后分段==分区
2.hash散列 -- 求hash值，然后利用hash值求和分区个数的余数，如果余数相同，就证明这些元素在同一个分区中
改良了实现思路之后，可以让原来应该执行16个小任务的大任务。只需要执行4个小任务即可。
终极解决方案：
1.先指定一个分区策略：hash散列
2.预估预估一下数据要被切分成多少个块，一定要保证两个文件切分出来的小文件个数成倍数
3.根据hash散列的策略，对两份文件分别进行操作
4.根据原来指定的策略，寻找对应的两个大文件中的对应小文件进行求交集操作
5.所有的结果，根本就不用再进行去重了。直接进行拼接即可。
学到的东西：
整个大数据生态系统中的很多技术软件的底层处理数据的分区时，默认的策略都是hash散列。
第三题
问题描述
现在有一个非常庞大的URL库（10000E），然后现在还有一个URL，（迅速）判断这个URL是否在这个URL库中？
问题分析
需求：判断一个元素在不在某个集合中
解决方案
1、计数排序
1、初始化一个数组 数组的长度 就是 集合中元素的区间长度
2、遍历集合，把每个元素放入数组中 寻找对应的下标位置，找出值，然后重新设置成+1的值
3、按序遍历即可
array[0] = 1, array[1] = 2, array[2] = 0, array[3] = 3,
0 1 1 3 3 3
2、改进需求：
求出某个元素在不在这个数组（数据结构改良之前的集合）中
array[5] = count if count > 0
3、既然是判断存在不存在。
所以结果其实就是一个状态 ： 要么存在 要么不存在
存在 ： 1
不存在： 0
把int数组进化成 为位数组
优势：把数组所要消耗的内存降低到原来的 1/32
改良了之后这种数据结构： BitMap
真正的结构： 一个位数组 + 一个hash函数
4、BitMap再次进行进化
解决的问题： BitMap 中非常容易出现 hash碰撞的问题
咱们可以结合使用多个hash函数来搞定
缺点： 存在一定的误判率
1、如果这种数据结构（BloomFilter） 告诉你说你要验证的那个元素不在这个 BloomFilter 中
那就表示 这个元素一定不在这个 BloomFilter 中
2、如果它告诉你这个元素存在， 它告诉你的这个存在的结果 有可能是假的
真正的组成：
一个位数组 + 一组hash函数
如果要做工程实现：不管是什么变种的BloomFilter， 都一定要实现两个方法：
1、第一个方法是往BloomFilter中存入一个元素
2、第二个方法是验证一个元素是否在这个BloomFilter 中
误判率的估计：
1、位数组的长度 m
2、总元素的个数 n
3、hash函数的个数 k
hash函数的个数 并不是越多越好
在误判率最低的情况下。 这三个参数应该满足的一个公式： k = 0.7 * m / n
