从1亿个ip中找出访问次数最多的IP
看了 教你如何迅速秒杀掉:99%的海量数据处理面试题一文,的确是挺有收获的,特别是对这种海量数据的处理,的确是有了一个挺清晰的思路,特别感谢原文博主July。
处理海量数据问题存在的原因就在于1)数据量太大,无法在短时间内解决;2)内存不够,没办法装下那么多的数据。
而对应的办法其实也就是分成1)针对时间,合适的算法+合适的数据结构来提高处理效率;2)针对空间,就是分而治之,将大数据量拆分成多个比较小的数据片,然后对其各个数据片进行处理,最后再处理各个数据片的结果。
原文中也给出一个问题,“从1亿个ip中访问次数最多的IP”,就试着来解决一下吧。
1)首先,生成1亿条数据,为了产生更多的重复ip,前面两节就不变了,只随机生成后面的2节。
private static String generateIp() { return "192.168." + (int) (Math.random() * 255) + "." + (int) (Math.random() * 255) + "\n"; } private static void generateIpsFile() { File file = new File(FILE_NAME); try { FileWriter fileWriter = new FileWriter(file); for (int i = 0; i < MAX_NUM; i++) { fileWriter.write(generateIp()); } fileWriter.close(); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } }1个char是一个Byte,每个ip大概是15Btye,所以生成的ip文件,大概是1,500,000,000Byte = 1,500,000 KB,如下:
2)文件生成了,那么我们现在就要假设内存不是很够,没有办法一次性装入那么多的数据,所以要先把文件给拆分成多个小文件。
在这里采取的是就是Hash取模的方式,将字符串的ip地址给转换成一个长整数,并将这个数对1000取模,将模一样的ip放到同一个文件,这样就能够生成1000个小文件,每个文件就只有1M多,在这里已经是足够小的了。
首先是hash跟取模函数:
private static String hash(String ip) { long numIp = ipToLong(ip); return String.valueOf(numIp % HASH_NUM); } private static long ipToLong(String strIp) { long[] ip = new long[4]; int position1 = strIp.indexOf("."); int position2 = strIp.indexOf(".", position1 + 1); int position3 = strIp.indexOf(".", position2 + 1); ip[0] = Long.parseLong(strIp.substring(0, position1)); ip[1] = Long.parseLong(strIp.substring(position1 + 1, position2)); ip[2] = Long.parseLong(strIp.substring(position2 + 1, position3)); ip[3] = Long.parseLong(strIp.substring(position3 + 1)); return (ip[0] << 24) + (ip[1] << 16) + (ip[2] << 8) + ip[3]; }2.1)将字符串的ip转换成长整数
2.2)对HASH_NUM,这里HASH_NUM = 1000;
下面是拆文件的函数:
private static void divideIpsFile() { File file = new File(FILE_NAME); Map<String, StringBuilder> map = new HashMap<String,StringBuilder>(); int count = 0; try { FileReader fileReader = new FileReader(file); BufferedReader br = new BufferedReader(fileReader); String ip; while ((ip = br.readLine()) != null) { String hashIp = hash(ip); if(map.containsKey(hashIp)){ StringBuilder sb = (StringBuilder)map.get(hashIp); sb.append(ip).append("\n"); map.put(hashIp, sb); }else{ StringBuilder sb = new StringBuilder(ip); sb.append("\n"); map.put(hashIp, sb); } count++; if(count == 4000000){ Iterator<String> it = map.keySet().iterator(); while(it.hasNext()){ String fileName = it.next(); File ipFile = new File(FOLDER + "/" + fileName + ".txt"); FileWriter fileWriter = new FileWriter(ipFile, true); StringBuilder sb = map.get(fileName); fileWriter.write(sb.toString());; fileWriter.close(); } count = 0; map.clear(); } } br.close(); } catch (FileNotFoundException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (Exception e) { // TODO Auto-generated catch block e.printStackTrace(); } }2.3)在这里,我们如果每读取一个ip,经过hash映射之后,就直接打开文件,将其加到对应的文件末尾,那么有1亿条ip,我们就要读写文件1亿次,那IO开销的时候就相当大,所以我们可以先拿一个Map放着,等到一定的规模之后,再统一写进文件,然后把map清空,继续映射,这样的话,就能够提高折分的速度。而这个规模,就是根据能处理的内存来取的值的,如果内存够大,这个值就可以设置大点,如果内存小,就要设置小一点的值,IO开销跟内存大小,总是需要在这两者之间的取个平衡点的。
可以看到,这样我们拆分成了1000个小文件,每个文件只有1500KB左右,所耗的时间如下,7分钟到8分钟左右:
Start Divide Ips File: 06:18:11.103 End: 06:25:44.134而这种映射可以保证同样的IP会映射到相同的文件中,这样后面在统计IP的时候,就可以保证在a文件中不是最多次数的ip(即使是第2多),也不会出现在其它的文件中。
3)文件拆分了之后,接下来我们就要分别读取这1000个小文件,统计其中每个IP出现的次数。
private static void calculate() { File folder = new File(FOLDER); File[] files = folder.listFiles(); FileReader fileReader; BufferedReader br; for (File file : files) { try { fileReader = new FileReader(file); br = new BufferedReader(fileReader); String ip; Map<String, Integer> tmpMap = new HashMap<String, Integer>(); while ((ip = br.readLine()) != null) { if (tmpMap.containsKey(ip)) { int count = tmpMap.get(ip); tmpMap.put(ip, count + 1); } else { tmpMap.put(ip, 0); } } fileReader.close(); br.close(); count(tmpMap,map); tmpMap.clear(); } catch (FileNotFoundException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } count(map,finalMap); Iterator<String> it = finalMap.keySet().iterator(); while(it.hasNext()){ String ip = it.next(); System.out.println("result IP : " + ip + " | count = " + finalMap.get(ip)); } } private static void count(Map<String, Integer> pMap, Map<String, Integer> resultMap) { Iterator<Entry<String, Integer>> it = pMap.entrySet().iterator(); int max = 0; String resultIp = ""; while (it.hasNext()) { Entry<String, Integer> entry = (Entry<String, Integer>) it.next(); if (entry.getValue() > max) { max = entry.getValue(); resultIp = entry.getKey(); } } resultMap.put(resultIp,max); }
3.1)第一步要读取每个文件,将其中的ip放到一个Map中,然后调用count()方法,找出map中最大访问次数的ip,将ip和最多访问次数存到另外一个map中。
3.2)当1000个文件都读取完之后,我们就会产生一个有1000条记录的map,里面存储了每个文件中访问次数最多的ip,我们再调用count()方法,找出这个map中访问次数最大的ip,即这1000个文件中,哪个文件中的最高访问量的IP,才是真正最高的,好像小组赛到决赛一样。。。。
3.3)在这里没有用到什么堆排序和快速排序,因为只需要一个最大值,所以只要拿当前的最大值跟接下来的值判断就好,其实也相当跟只有一个元素的堆的堆顶元素比较。
下面就是我们的结果 。
Start Calculate Ips: 06:37:51.088 result IP : 192.168.67.98 | count = 1707 End: 06:44:30.229到这里,我们就把这个ip给查找出来了。
其实理解了这个思路,其它的海量数据问题,虽然可能各个问题有各个问题的特殊之处,但总的思路我觉得应该是相似的。