- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
这是一道面试题。假设有几台计算机,每台计算机都有一个非常大的访问 URL 日志文件。找到访问量最大的 前 10 个 URL。
例如:假设只有 3 台计算机,我们需要前两个访问量最大的 URL。
Computer A: url1, url2, url1, url3Computer B: url4, url2, url1, url1Computer C: url3, url4, url1, url3url1 appears 5 times in all logsurl2 2url3 3url4 2 So the answer is url1, url3
日志文件太大,RAM 放不下,无法通过网络复制。据我了解,使计算并行并使用所有给定的计算机也很重要。
你会怎么解决?
最佳答案
这是一个非常标准的问题,有一个众所周知的解决方案。您只需按 URL 对每台计算机上的日志文件进行排序,然后通过“主”计算机上大小为 k(您想要的项目数)的优先级队列合并它们。这种技术自 1960 年代以来一直存在,并且今天仍在使用(尽管略有修改),形式为 MapReduce。 .
在每台计算机上,从日志文件中提取 URL 和计数,并按 URL 排序。由于日志文件大于内存,因此您需要进行磁盘合并。这需要读取日志文件的一大块,按 URL 排序,将大块写入磁盘。读取下一个 block 、排序、写入磁盘等。在某个时候,您有 M 个日志文件 block ,每个 block 都已排序。然后您可以进行 M 向合并。但不是将项目写入磁盘,而是按排序顺序(即按 URL 排序)将它们呈现给“主人”。
每台机器对自己的日志进行排序。
“主”计算机合并来自不同计算机的数据并进行前 K 个选择。这实际上是两个问题,但可以合并为一个。
master创建两个优先级队列:一个用于合并,一个用于top K选择。第一个的大小为 N,其中 N 是它从中合并数据的计算机的数量。第二个是大小 K:您要选择的项目数。我为此使用了一个最小堆,因为它既简单又相当快。
要设置合并队列,初始化队列并从每台“工作”计算机获取第一项。在下面的伪代码中,“从合并队列中获取最低项”意味着从合并队列中获取根项,然后从显示该项的工作计算机中获取下一个项。因此,如果队列包含 [1, 2, 3]
,并且这些项目来自计算机 B、C、A(按此顺序),那么获取最低的项目就意味着从计算机获取下一个项目B 并将其加入优先级队列。
然后 master 执行以下操作:
working = get lowest item from merge queue
while (items left to merge)
{
temp = get lowest item from merge queue
while (temp.url == working.url)
{
working.count += temp.count
temp = get lowest item from merge queue
}
// Now have merged counts for one url.
if (topK.Count < desired_count)
{
// topK queue doesn't have enough items yet.
// so add this one.
topK.Add(working);
}
else if (topK.Peek().count < working.count)
{
// the count for this url is larger
// than the smallest item on the heap
// replace smallest on the heap with this one
topK.RemoveRoot()
topK.Add(working)
}
working = temp;
}
// Here you need to check the last item:
if (topK.Peek().count < working.count)
{
// the count for this url is larger
// than the smallest item on the heap
// replace smallest on the heap with this one
topK.RemoveRoot()
topK.Add(working)
}
此时,topK
队列具有计数最高的 K 个项目。
因此每台计算机都必须进行归并排序,时间复杂度为 O(n log n),其中 n
是该计算机日志中的项目数。 master 上的合并是 O(n),其中 n
是来自各个计算机的所有项目的总和。选择前 k 个项目的时间复杂度为 O(n log k),其中 n
是 unique url 的数量。
当然,排序是并行进行的,每台计算机准备自己的排序列表。但是排序的“合并”部分是在主计算机合并的同时完成的,因此存在一些协调,所有机器都参与到那个阶段。
关于algorithm - 分布式数据并行前十算法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15613966/
有没有办法同时运行 2 个不同的代码块。我一直在研究 R 中的并行包,它们似乎都基于在循环中运行相同的函数。我正在寻找一种同时运行不同函数的方法(循环的 1 次迭代)。例如,我想在某个数据对象上创建一
无论如何增加 Parallel.For 启动后的循环次数?示例如下: var start = 0; var end = 5; Parallel.For(start, end, i => { C
我是 Golang 的新手,正在尝试了解并发和并行。我阅读了下面提到的关于并发和并行的文章。我执行了相同的程序。但没有得到相同的(混合字母和字符)输出。首先获取所有字母,然后获取字符。似乎并发不工作,
我正在寻找同时迭代 R 中两个或多个字符向量/列表的方法,例如。有没有办法做这样的事情: foo <- c('a','c','d') bar <- c('aa','cc','dd') for(i in
我对 Raku 很陌生,我对函数式方法有疑问,尤其是 reduce。 我最初有这样的方法: sub standardab{ my $mittel = mittel(@_); my $foo =
我最近花了很多时间来学习实时音频处理的细节,我发现的大多数库/工具都是c / c++代码或脚本/图形语言的形式,并在其中编译了c / c++代码。引擎盖。 使用基于回调的API,与GUI或App中的其
我正在使用 JMeter 进行图像负载测试。我有一个图像名称数组并遍历该数组,我通过 HTTP 请求获取所有图像。 -> loop_over_image - for loop controller
我整个晚上都在困惑这个问题...... makeflags = ['--prefix=/usr','--libdir=/usr/lib'] rootdir='/tmp/project' ps = se
我正在尝试提高计算图像平均值的方法的性能。 为此,我使用了两个 For 语句来迭代所有图像,因此我尝试使用一个 Parallel For 来改进它,但结果并不相同。 我做错了吗?或者是什么导致了差异?
假设您有一个并行 for 循环实现,例如ConcRT parallel_for,将所有工作放在一个 for 循环体内总是最好的吗? 举个例子: for(size_t i = 0; i < size()
我想并行运行一部分代码。目前我正在使用 Parallel.For 如何让10、20或40个线程同时运行 我当前的代码是: Parallel.For(1, total, (ii) =>
我使用 PAY API 进行了 PayPal 自适应并行支付,其中无论用户(买家)购买什么,都假设用户购买了总计 100 美元的商品。在我的自适应并行支付中,有 2 个接收方:Receiver1 和
我正在考虑让玩家加入游戏的高效算法。由于会有大量玩家,因此算法应该是异步的(即可扩展到集群中任意数量的机器)。有细节:想象有一个无向图(每个节点都是一个玩家)。玩家之间的每条边意味着玩家可以参加同一场
我有一个全局变量 volatile i = 0; 和两个线程。每个都执行以下操作: i++; System.out.print(i); 我收到以下组合。 12、21 和 22。 我理解为什么我没有得到
我有以下称为 pgain 的方法,它调用我试图并行化的方法 dist: /***************************************************************
我有一个 ruby 脚本读取一个巨大的表(约 2000 万行),进行一些处理并将其提供给 Solr 用于索引目的。这一直是我们流程中的一大瓶颈。我打算在这里加快速度,我想实现某种并行性。我对 Ru
我正在研究 Golang 并遇到一个问题,我已经研究了几天,我似乎无法理解 go routines 的概念以及它们的使用方式。 基本上我是在尝试生成数百万条随机记录。我有生成随机数据的函数,并将创建一
我希望 for 循环使用 go 例程并行。我尝试使用 channel ,但没有用。我的主要问题是,我想在继续之前等待所有迭代完成。这就是为什么在它不起作用之前简单地编写 go 的原因。我尝试使用 ch
我正在使用 import Control.Concurrent.ParallelIO.Global main = parallel_ (map processI [1..(sdNumber runPa
我正在尝试通过 makePSOCKcluster 连接到另一台计算机: library(parallel) cl ... doTryCatch -> recvData -> makeSOCKm
我是一名优秀的程序员,十分优秀!