33,007
社区成员
发帖
与我相关
我的任务
分享关于 海量日志数据，提取出某日访问百度次数最多的那个IP 的疑问！
海量日志数据，提取出某日访问百度次数最多的那个IP。
首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G种取值情况，所以不能完全加载到内存中处理；
2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)%1024值，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4MB个IP地址；
3.对于每一个小文件，可以构建一个IP为key，出现次数为value的Hash map，同时记录当前出现次数最多的那个IP地址；
4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现次数最多的IP；
关于 第二步 的疑问，"IP地址的Hash(IP)%1024值" 是什么意思，是对所有IP地址进行排序，并分别统计每个IP出现的个数？ 如果不是这样，那么如果直接分成1024个文件，就可能会出现某一个IP在每一个子文件中都存在，但不是每一个文件中出现次数最多的，这样是否有可能造成结果不准确，当然这肯定是我没有理解正确。
还请大家指点一下迷津！ 谢谢！
首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G种取值情况，所以不能完全加载到内存中处理；
2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)%1024值，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4MB个IP地址；
3.对于每一个小文件，可以构建一个IP为key，出现次数为value的Hash map，同时记录当前出现次数最多的那个IP地址；
4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现次数最多的IP；
关于 第二步 的疑问，"IP地址的Hash(IP)%1024值" 是什么意思，是对所有IP地址进行排序，并分别统计每个IP出现的个数？ 如果不是这样，那么如果直接分成1024个文件，就可能会出现某一个IP在每一个子文件中都存在，但不是每一个文件中出现次数最多的，这样是否有可能造成结果不准确，当然这肯定是我没有理解正确。
还请大家指点一下迷津！ 谢谢！
...全文
请发表友善的回复…
发表回复
麦兜NC粉 2013-07-01
- 打赏
- 举报
学习下
sunchaosailor 2012-09-23
- 打赏
- 举报
2楼 顶！
asmlearn 2011-09-01
- 打赏
- 举报
hash可能是多级的，取模1024应该也属于哈希算法的一部分。
oo 2011-09-01
- 打赏
- 举报
关于 第二步 的疑问，"IP地址的Hash(IP)%1024值" 是什么意思，是对所有IP地址进行排序，并分别统计每个IP出现的个数？
一个IP就是一个uint32啊 %1024就是对1024取余啊，跟排序无关
如果不是这样，那么如果直接分成1024个文件，就可能会出现某一个IP在每一个子文件中都存在，但不是每一个文件中出现次数最多的，这样是否有可能造成结果不准确，当然这肯定是我没有理解正确。
一个IP（uint32）%1024只会有1024种可能，一个IP只会有1个结果啊，怎么会分配到不同的文件？
一个IP就是一个uint32啊 %1024就是对1024取余啊，跟排序无关
如果不是这样，那么如果直接分成1024个文件，就可能会出现某一个IP在每一个子文件中都存在，但不是每一个文件中出现次数最多的，这样是否有可能造成结果不准确，当然这肯定是我没有理解正确。
一个IP（uint32）%1024只会有1024种可能，一个IP只会有1个结果啊，怎么会分配到不同的文件？
