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);
- }
#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.