java - 面试问题：查找出现次数最多的ip

Question

就是 现在有一个log 里面全都是访问者的ip(数据很大很大) 一行一个ip
比如
123.22.22.187
123.22.22.182
123.22.21.187
123.22.42.187
123.23.22.187
123.22.22.182
121.22.22.182
....

怎么查出来访问次数最多的10个IP?

数据量非常大 不可能直接读进来 然后排序。。。

方式：
第一步：
如下读取：
声明一个变量 dictionary <string ,long> record
123.22.22.187
123.22.22.182
123.22.21.187
123.22.42.187
123.23.22.187
123.22.22.182
121.22.22.182
先与蓝色部分为key ，key 出现的次数为value 存在 record中。
这样 ，record的最大个数是255个，不算多，更说不上要多少内存。
再来一次大扫除，
使record 剩下 最多的 10 个元素
以这10 个元素为条件，再扫描一次表，把符合条件的数据写到另一个[文件A]中，

第二步：
扫描 [文件A] 以下面数据蓝色部分为key ，以出现次数为value 写到 变量 dictionary <string ,long> record 中
123.22.22.187
123.22.22.182
123.22.21.187
123.22.42.187
123.23.22.187
123.22.22.182
121.22.22.182
。。。
第三步：
。。。
第四步：
。。。
就这样，
用4 步相同的方法，提出最多的数据：10条，

问题，上面这种方式感觉不行啊，是我没理解吗？？
比如说：
123，125，196，158，假设这个ip地址出现的次数最多，那么如下，
121，123
121，14
121，56
123，125，196，158，
123，125，196，158，

如果分段比较次数，那么123，125，196，158， 这个ip在第一步就被淘汰了？

Answer 1

Jawapan yang betul ialah ini: sort|uniq -c

Answer 2

a.b.c.d

Proses yang pertama.

Semua fail dibahagikan kepada berbilang bacaan (seperti 255 kali).

Rekod kemudiannya disimpan dalam 255 fail, sepadan dengan (seperti 1.b.c.d; 2.b.c.d;)

Dengan cara ini anda boleh mendapatkan sepuluh yang terbesar.

Seterusnya, berurusan dengan b.

. . .

Akhirnya dapat jawapannya.

Answer 3

Masalah jenis ini boleh menggunakan timbunan maksimum min.

Answer 4

Idea asas

1. 对所有的ip进行分组，统计出现次数，ip做key，出现次数做val，保存在关联数组中

2. 数组按照键值（出现次数）降序排序，取出前 10 条记录

Walaupun bukan java语言描述的, javascript描述 harus difahami, saya telah mengujinya dan ia boleh mencapai kesan anda:

Berikut ialah contoh kod lengkap:

    var data = [123.22.22.187 , 123.22.22.187 ....];  // 等价于日志中每行ip
    var data = getCount(data); // 对所有的ip进行分组，统计出现次数
                               // ip做key，出现次数做val，保存在关联数组中
    var rel  = getRecord(data , 10 , 'desc'); // 这个就是你想的结果了
    
    /*
     * ip 分组并统计次数的具体实现
     * @param Array data  日志文件中存放的那些所有ip组成的数组
     * @return Object
     */
    function getCount(data){
        var rel= {}; // 根据ip进行分组后的结果，由于js没有关联数组
                      // 所以用对象替换
        var i;
        var count;
        var n;
        var cur;
        var curC;
        // 判断是否已经统计过了的
        var checkIsCount = function(ip){
            var k;
            
            for (k in rel)
                {
                    if (k === ip) {
                        return true;
                    }
                }
            
            return false;
        };
        
        // 每次固定一个 ip
        // 先判断当前 ip 在 rel 中是否已经存在（排除已被统计的ip，避免重复统计）
        // 不存在的时候，开始统计其出现次数
        for (i = 0; i < data.length; ++i)
            {
                cur = data[i];
                count = 1;
                
                if (!checkIsCount(cur)) {
                    for (n = i + 1; n < data.length; ++n)
                        {
                            curC = data[n];
    
                            if (cur === curC) {
                                count++;
                            }    
                        }
    
                     rel[cur] = count;      
                }
            }
            
       // 保存了所有不同ip，及其出现次数的对象
       console.log('ip进行了分组并统计后的结果：' , rel);
       return rel;
    }
    
    /*
     * 数组按照键值（出现次数）降序排序，取出前 len 条记录
     * @param Object data 分组并统计出现次数后的对象
     * @param Number len  取出多少条
     * @param String sortType 升序还是降序(asc | desc)
     * @return Array
     */
    function getRecord(data , len , sortType){
        var rel = {};
        var result = [];
        var k;
        var k1;
        var curKey;
        var count = 0;
        // 检查 ip 是否已被获取
        var checkSorted = function(ip){
            var k;
            
            for (k in rel)
                {
                    if (k === ip) {
                        return true;
                    }
                }
                
            return false;
        };
    
        // 排序算法：选择排序
        for (k in data)
            {
                
               if (count >= len) {
                   break;
               }
               
               curKey = k;
               
               if (!checkSorted(k)) {
                   for (k1 in data) 
                       {
                           if (!checkSorted(k1)) {
                              if (sortType === 'asc' ? data[curKey] > data[k1] : data[curKey] < data[k1]) {
                                  curKey = k1;
                              } 
                           }
                       }
                   
                   
                   // 按照键值排序后的最大值|最小值
                   rel[curKey] = data[curKey];
    
                   // 返回可视化结果
                   result.push(curKey);
                   
                   // 获取的长度增加
                   count++
               }
            }
    
        // 按照键值排序后的 len 长度的记录
        console.log('取出指定长度记录的实际结果：' , rel);
        console.log('取出指定长度记录的可视化结果：' , result);
        return result;
    }

Answer 5

mengurangkan peta atau mengisih | uniq -c
Jelas sekali menggunakan hadoop (mengurangkan peta)?

Answer 6

Isih dahulu, ia akan lebih mudah untuk ditangani selepas menyusun.

Answer 7

Soalan ini harus dipecahkan kepada dua bahagian untuk memahami,
1 Fail sangat besar dan kecekapan membaca adalah rendah
2. Cari 10 rekod teratas dengan kejadian terbanyak
Soalan 1: Untuk bacaan fail besar boleh menggunakan pelaksanaan java AIO untuk membaca fail secara tidak segerak
Soalan 2: LindedList perlu dilanjutkan Setiap kali rekod dilampirkan, semak dahulu sama ada terdapat rekod, dan jika ya, tolak kedudukan rekod ke hadapan (. ini lebih serupa dengan algoritma caching memcached java)

Answer 8

Masalah jenis ini semuanya mempunyai idea yang sama, "pecah dan takluk".
Setiap IP adalah bersamaan dengan nombor integer 32-bit Lintas semua IP dalam log, bahagikannya kepada n fail mengikut julat nilai dan simpannya (pastikan setiap fail cukup kecil). IP yang sama pasti akan dibahagikan kepada fail yang sama, kemudian memproses n fail ini satu demi satu, dan mengira 10 IP teratas yang muncul dalam setiap fail akhirnya, dapatkan 10 teratas daripada 10*n IP ini.

Answer 9

Gunakan ungkapan biasa untuk menentukan nombor pertama pada permulaan IP:

1.2.3\n
4.5.6\n
1.2.3\n

IP yang paling kerap ialah nombor pada permulaan baris