提取出某日访问百度次数最多的那个IP

问题描述：海量日志数据，提取出某日访问百度次数最多的那个IP。

方法: 计数法

    假设一天之内某个IP访问百度的次数不超过40亿次,则访问次数可以用unsigned表示.用数组统计出每个IP地址出现的次数,  即可得到访问次数最大的IP地址.

    IP地址是32位的二进制数,所以共有N=2^32=4G个不同的IP地址, 创建一个unsigned count[N];的数组,即可统计出每个IP的访问次数,而sizeof(count) == 4G*4=16G, 远远超过了32位计算机所支持的内存大小,因此不能直接创建这个数组.下面采用划分法解决这个问题.

    假设允许使用的内存是512M,  512M/4=128M 即512M内存可以统计128M个不同的IP地址的访问次数.而N/128M =4G/128M = 32 ,所以只要把IP地址划分成32个不同的区间,分别统计出每个区间中访问次数最大的IP, 然后就可以计算出所有IP地址中访问次数最大的IP了.

    因为2^5=32, 所以可以把IP地址的最高5位作为区间编号, 剩下的27为作为区间内的值,建立32个临时文件,代表32个区间,把相同区间的IP地址保存到同一的临时文件中.

例如:

ip1=0x1f4e2342

ip1的高5位是id1  =  ip1 >>27 = 0x11 = 3

ip1的其余27位是value1  =  ip1 &0x07ffffff = 0x074e2342

所以把 value1 保存在tmp3文件中.

由id1和value1可以还原成ip1, 即 ip1 =(id1<<27)|value1

    按照上面的方法可以得到32个临时文件,每个临时文件中的IP地址的取值范围属于[0-128M),因此可以统计出每个IP地址的访问次数.从而找到访问次数最大的IP地址

程序源码:

test.cpp是c++源码.

#include <fstream>
#include <iostream>
#include <ctime>

using namespace std;
#define N 32           //临时文件数

#define ID(x)  (x>>27)                 //x对应的文件编号
#define VALUE(x) (x&0x07ffffff)        //x在文件中保存的值
#define MAKE_IP(x,y)  ((x<<27)|y)      //由文件编号和值得到IP地址.

#define MEM_SIZE  128*1024*1024       //需分配内存的大小为 MEM_SIZE*sizeof(unsigned)   

char* data_path="D:/test/ip.dat";        //ip数据

 //产生n个随机IP地址
void make_data(const int& n)       
{
	ofstream out(data_path,ios::out|ios::binary);
	srand((unsigned)(time(NULL)));
	if (out)
	{
		for (int i=0; i<n; ++i)
		{
			unsigned val=unsigned(rand());         
			val = (val<<24)|val;				//产生unsigned类型的随机数

			out.write((char *)&val,sizeof (unsigned));
		}
	}
}

//找到访问次数最大的ip地址
int main()
{
	//make_data(100);     // 
	make_data(100000000);       //产生测试用的IP数据
	fstream arr[N];
	
	for (int i=0; i<N; ++i)                 //创建N个临时文件
	{
		char tmp_path[128];     //临时文件路径
		sprintf(tmp_path,"D:/test/tmp%d.dat",i);
		arr[i].open(tmp_path, ios::trunc|ios::in|ios::out|ios::binary);  //打开第i个文件

		if( !arr[i])
		{
			cout<<"open file"<<i<<"error"<<endl;
		}
	}

	ifstream infile(data_path,ios::in|ios::binary);   //读入测试用的IP数据
	unsigned data;

	while(infile.read((char*)(&data), sizeof(data)))
	{
		unsigned val=VALUE(data);
		int key=ID(data);
		arr[ID(data)].write((char*)(&val), sizeof(val));           //保存到临时文件件中
	}

	for(unsigned i=0; i<N; ++i)
	{
		arr[i].seekg(0);
	}
	unsigned max_ip = 0;    //出现次数最多的ip地址
	unsigned max_times = 0;     //最大只出现的次数

	//分配512M内存,用于统计每个数出现的次数
	unsigned *count = new unsigned[MEM_SIZE];  

	for (unsigned i=0; i<N; ++i)
	{
		memset(count, 0, sizeof(unsigned)*MEM_SIZE);

		//统计每个临时文件件中不同数字出现的次数
		unsigned data;
		while(arr[i].read((char*)(&data), sizeof(unsigned)))     
		{
			++count[data];
		}
		
		//找出出现次数最多的IP地址
		for(unsigned j=0; j<MEM_SIZE; ++j)                           
		{
			if(max_times<count[j])           
			{
				max_times = count[j];
				max_ip = MAKE_IP(i,j);        // 恢复成原ip地址.
			}
		}
	}
	delete[] count;
	unsigned char *result=(unsigned char *)(&max_ip);
	printf("出现次数最多的IP为:%d.%d.%d.%d,共出现%d次", 
		result[0], result[1], result[2], result[3], max_times);
}

原博客是 http://blog.csdn.net/v_july_v/article/details/6712171

执行结果.