月度归档:2010年09月

JQuery 扩展

免得到时再到处查询,把这些链接直接引过来算了,有机会都熟悉了再整理下
一、文件上传类(File upload)
Ajax File Upload

jQUploader
.
Multiple File Upload plugin
.
jQuery File Style
.
Styling an input type file
.
Progress Bar Plugin
.
二、表单验证(Form Validation)
jQuery Validation
.
Auto Help
.
Simple jQuery form validation
.
jQuery XAV - form validations
.
jQuery AlphaNumeric
.
Masked Input
.
TypeWatch Plugin
.
Text limiter for form fields
.
Ajax Username Check with jQuery
.
三、表单-选取框(Form - Select Box stuff)
jQuery Combobox
.
jQuery controlled dependent (or Cascadign) Select List
.
Multiple Selects
.
Select box manipulation
.
Select Combo Plugin
.
jQuery - LinkedSelect

Auto-populate multiple select boxes
.
Choose Plugin (Select Replacement)
.
四、表单基本、输入框、选择框等(Form Basics, Input Fields, Checkboxes etc.)
jQuery Form Plugin
.
jQuery-Form
.
jLook Nice Forms
.
jNice
.
Ping Plugin
.
Toggle Form Text
.
ToggleVal
.
jQuery Field Plugin
.
jQuery Form’n Field plugin
.
jQuery Checkbox manipulation
.
jTagging
.
jQuery labelcheck
.
Overlabel
.
3 state radio buttons
.
ShiftCheckbox jQuery Plugin
.
Watermark Input
.
jQuery Checkbox (checkboxes with imags)
.
jQuery SpinButton Control
.
jQuery Ajax Form Builder
.
jQuery Focus Fields
.
jQuery Time Entry
.
五、时间、日期和颜色选取(Time, Date and Color Picker)
jQuery UI Datepicker
.
jQuery date picker plugin
.
jQuery Time Picker
.
Time Picker
.
ClickPick
.
TimePicker
.
Farbtastic jQuery Color Picker Plugin
.
Color Picker by intelliance.fr
.
六、投票插件(Rating Plugins)
jQuery Star Rating Plugin
.
jQuery Star Rater
.
Content rater with asp.net, ajax and jQuery
.
Half-Star Rating Plugin
.
七、搜索插件(Search Plugins)
jQuery Suggest
.
jQuery Autocomplete
.
jQuery Autocomplete Mod
.
jQuery Autocomplete by AjaxDaddy
.
jQuery Autocomplete Plugin with HTML formatting
.
jQuery Autocompleter
.
AutoCompleter (Tutorial with PHP&MySQL)
.
quick Search jQuery Plugin
.
八、编辑器(Inline Edit & Editors)
jTagEditor
.
WYMeditor
.
jQuery jFrame
.
Jeditable - edit in place plugin for jQuery
.
jQuery editable
.
jQuery Disable Text Select Plugin
.
Edit in Place with Ajax using jQuery
.
jQuery Plugin - Another In-Place Editor
.
TableEditor
.
tEditable - in place table editing for jQuery
.
九、多媒体、视频、Flash等(Audio, Video, Flash, SVG, etc)
jMedia - accessible multi-media embedding
.
JBEdit - Ajax online Video Editor
.
jQuery MP3 Plugin
.
jQuery Media Plugin
.
jQuery Flash Plugin
.
Embed QuickTime
.
SVG Integration
.
十、图片(Photos/Images/Galleries)
ThickBox
.
jQuery lightBox plugin
.
jQuery Image Strip
.
jQuery slideViewer
.
jQuery jqGalScroll 2.0
.
jQuery - jqGalViewII
.
jQuery - jqGalViewIII
.
jQuery Photo Slider
.
jQuery Thumbs - easily create thumbnails
.
jQuery jQIR Image Replacement
.
jCarousel Lite
.
jQPanView
.
jCarousel
.
Interface Imagebox
.
Image Gallery using jQuery, Interface & Reflactions
.
simple jQuery Gallery
.
jQuery Gallery Module
.
EO Gallery
.
jQuery ScrollShow
.
jQuery Cycle Plugin
.
jQuery Flickr
.
jQuery Lazy Load Images Plugin
.
Zoomi - Zoomable Thumbnails
.
jQuery Crop - crop any image on the fly
.
Image Reflection
.
十一、Google地图(Google Map)
jQuery Plugin googlemaps
.
jMaps jQuery Maps Framework
.
jQmaps
.
jQuery & Google Maps
.
jQuery Maps Interface forr Google and Yahoo maps
.
jQuery J Maps - by Tane Piper
.
十二、游戏(Games)
Tetris with jQuery
.
jQuery Chess
.
Mad Libs Word Game
.
jQuery Puzzle
.
jQuery Solar System (not a game but awesome jQuery Stuff)
.
十三、表格等(Tables, Grids etc.)
UI/Tablesorter
.
jQuery ingrid
.
jQuery Grid Plugin
.
Table Filter - awesome!
.
TableEditor
.
jQuery Tree Tables
.
Expandable “Detail” Table Rows
.
Sortable Table ColdFusion Costum Tag with jQuery UI
.
jQuery Bubble
.
TableSorter
.
Scrollable HTML Table
.
jQuery column Manager Plugin
.
jQuery tableHover Plugin
.
jQuery columnHover Plugin
.
jQuery Grid
.
TableSorter plugin for jQuery
.
tEditable - in place table editing for jQuery
.
jQuery charToTable Plugin
.
jQuery Grid Column Sizing
.
jQuery Grid Row Sizing
.
十四、统计图(Charts, Presentation etc.)
jQuery Wizard Plugin
.
jQuery Chart Plugin
.
Bar Chart
.
十五、边框、圆角、背景(Border, Corners, Background)
jQuery Corner
.
jQuery Curvy Corner
.
Nifty jQuery Corner
.
Transparent Corners
.
jQuery Corner Gallery
.
Gradient Plugin
.
十六、文字和超链接(Text and Links)
jQuery Spoiler plugin
.
Text Highlighting
.
Disable Text Select Plugin
.
jQuery Newsticker
.
Auto line-height Plugin
.
Textgrad - a text gradient plugin
.
LinkLook - a link thumbnail preview
.
pager jQuery Plugin
.
shortKeys jQuery Plugin
.
jQuery Biggerlink
.
jQuery Ajax Link Checker
.
十七、鼠标提示(Tooltips)
jQuery Plugin - Tooltip
.
jTip - The jQuery Tool Tip
.
clueTip
.
BetterTip
.
Flash Tooltips using jQuery
.
ToolTip
.
十八、菜单和导航(Menus, Navigations)
jQuery Tabs Plugin - awesome!
. [demo nested tabs
.]
another jQuery nested Tab Set example (based on jQuery Tabs Plugin)
.
jQuery idTabs
.
jdMenu - Hierarchical Menu Plugin for jQuery
.
jQuery SuckerFish Style
.
jQuery Plugin Treeview
.
treeView Basic
.
FastFind Menu
.
Sliding Menu
.
Lava Lamp jQuery Menu
.
jQuery iconDock
.
jVariations Control Panel
.
ContextMenu plugin
.
clickMenu
.
CSS Dock Menu
.
jQuery Pop-up Menu Tutorial
.
Sliding Menu
.
http://stilbuero.de/jquery/tabs_3/

十九、幻灯、翻转等(Accordions, Slide and Toggle stuff)
jQuery Plugin Accordion
.
jQuery Accordion Plugin Horizontal Way
.
haccordion - a simple horizontal accordion plugin for jQuery
.
Horizontal Accordion by portalzine.de
.
HoverAccordion
.
Accordion Example from fmarcia.info
.
jQuery Accordion Example
.
jQuery Demo - Expandable Sidebar Menu
.
Sliding Panels for jQuery
.
jQuery ToggleElements
.
Coda Slider
.
jCarousel
.
Accesible News Slider Plugin
.
Showing and Hiding code Examples
.
jQuery Easing Plugin
.
jQuery Portlets
.
AutoScroll
.
Innerfade
.
二十、拖放插件(Drag and Drop)
UI/Draggables
.
EasyDrag jQuery Plugin
.
jQuery Portlets
.
jqDnR - drag, drop resize
.
Drag Demos
.
二十一、XML XSL JSON Feeds
XSLT Plugin
.
jQuery Ajax call and result XML parsing
.
xmlObjectifier - Converts XML DOM to JSON
.
jQuery XSL Transform
.
jQuery Taconite - multiple Dom updates
.
RSS/ATOM Feed Parser Plugin
.
jQuery Google Feed Plugin
.
二十二、浏览器(Browserstuff)
Wresize - IE Resize event Fix Plugin
.
jQuery ifixpng
.
jQuery pngFix
.
Link Scrubber - removes the dotted line onfocus from links
.
jQuery Perciformes - the entire suckerfish familly under one roof
.
Background Iframe
.
QinIE - for proper display of Q tags in IE
.
jQuery Accessibility Plugin
.
jQuery MouseWheel Plugin
.
二十三、对话框、确认窗口(Alert, Prompt, Confirm Windows)
jQuery Impromptu
.[注:很值得使用]

jQuery Confirm Plugin
.
jqModal
.
SimpleModal
.[注:很值得使用]

二十四、CSS
jQuery Style Switcher
.
JSS - Javascript StyleSheets
.
jQuery Rule - creation/manipulation of CSS Rules
.
jPrintArea
.
二十五、DOM、AJAX和其它JQuery插件(DOM, Ajax and other jQuery plugins)
FlyDOM
.
jQuery Dimenion Plugin
.
jQuery Loggin
.
Metadata - extract metadata from classes, attributes, elements
.
Super-tiny Client-Side Include Javascript jQuery Plugin
.
Undo Made Easy with Ajax
.
JHeartbeat - periodically poll the server
.
Lazy Load Plugin
.
Live Query
.
jQuery Timers
.
jQuery Share it - display social bookmarking icons
.
jQuery serverCookieJar
.
jQuery autoSave
.
jQuery Puffer
.
jQuery iFrame Plugin
.
Cookie Plugin for jQuery
.
jQuery Spy - awesome plugin
.
Effect Delay Trick
.
jQuick - a quick tag creator for jQuery
.
Metaobjects

.
elementReady

C++操作符及优先级

C++操作符的优先级

 

 

C++ 操作符的优先级

操作符及其结合性

功能

用法

L
L
L
::
::
::
全局作用域 
类作用域 
名字空间作用域
::name
class::name
namespace::name
L
L
L
L
L
 
.
->
[]
()
()
 
成员选择 
成员选择 
下标 
函数调用 
类型构造 
 
object.member
pointer->member
variable[expr]
name(expr_list)
type(expr_list)
R
R
R
R
R
 
++
--
typeid
typeid
显示强制类型转换 
 
后自增操作 
后自减操作 
类型ID
运行时类型ID
类型转换 
 
lvalue++
lvalue--
typeid(type)
typeid(expr)
cast_name<type>(expr)
R
R
R
R
R
R
R
R
R
R
R
R
R
R
sizeof
sizeof
++
--
~
!
-
+
*
&
()
new
delete
delete[]
对象的大小 
类型的大小 
前自增操作 
前自减操作 
位求反 
逻辑非 
一元负号 
一元正号 
解引用 
取地址 
类型转换 
创建对象 
释放对象 
释放数组
sizeof expr
sizeof(type)
++lvalue
--lvalue
~expr
!expr
-expr
+expr
*expr
&expr
(type)expr
new type
delete expr
delete []expr
L
L
->*
.*
指向成员操作的指针 
指向成员操作的指针
ptr->*ptr_to_member
obj.*ptr_to_member
L
L
L
*
/
%
乘法 
除法 
求模(求余)
expr * expr
expr / expr
expr % expr
L
L
+
-
加法 
减法
expr + expr
expr - expr
L
L
<< 
>>
位左移 
位右移
expr << expr
expr >> expr
L
L
L
L

<=

>=
小于 
小于或等于 
大于 
大于或等于
expr < expr
expr <= expr
expr > expr
expr >= expr
L
R
==
!=
相等 
不等
Expr == expr
Expr != expr
R & 位与 Expr & expr
R ^ 位异或 Expr ^ expr
R | 位或 Expr | expr
R && 逻辑与 Expr && expr
R || 逻辑或 Expr || expr
R ?: 条件操作 Expr ? expr:expr
R
R
R
R
R
=
*=,/=,%=
+=,-=
<<=,>>=
&=,|=,^=
赋值操作 
复合赋值操作 

 

Lvalue= expr
Lvalue+= expr
…… 

 

R throw 抛出异常 Throw expr
L , 逗号 Expr, expr
 

 

记忆方法:
--摘自《C语言程序设计实用问答》      
    问题:如何记住运算符的15种优先级和结合性?   
    解答:C语言中运算符种类比较繁多,优先级有15种,结合性有两种。   
    如何记忆两种结合性和15种优先级?下面讲述一种记忆方法。   
    结合性有两种,一种是自左至右,另一种是自右至左,大部分运算符的结合性是自左至右,只有单目运算符、三目运算符的赋值运算符的结合性自右至左。   
    优先级有15种。记忆方法如下:   
    记住一个最高的:构造类型的元素或成员以及小括号。   
    记住一个最低的:逗号运算符。   
    剩余的是一、二、三、赋值。   
    意思是单目、双目、三目和赋值运算符。   
    在诸多运算符中,又分为:   
    算术、关系、逻辑。   
    两种位操作运算符中,移位运算符在算术运算符后边,逻辑位运算符在逻辑运算符的前面。再细分如下:   
    算术运算符分     *,/,%高于+,-。   
    关系运算符中,〉,〉=,<,<=高于==,!=。   
    逻辑运算符中,除了逻辑求反(!)是单目外,逻辑与(&&)高于逻辑或(||)。   
    逻辑位运算符中,除了逻辑按位求反(~)外,按位与(&)高于按位半加(^),高于按位或(|)。   
    这样就将15种优先级都记住了,再将记忆方法总结如下:   
    去掉一个最高的,去掉一个最低的,剩下的是一、二、三、赋值。双目运算符中,顺序为算术、关系和逻辑,移位和逻辑位插入其中。

用HASH表进行海量数据搜索

提一个简单的问题,如果有一个庞大的字符串数组,然后给你一个单独的字符串,让你从这个数组中查找是否有这个字符串并找到它,你会怎么做?有一个方法最简单,老老实实从头查到尾,一个一个比较,直到找到为止,我想只要学过程序设计的人都能把这样一个程序作出来,但要是有程序员把这样的程序交给用户,我只
能用无语来评价,或许它真的能工作,但...也只能如此了。最合适的算法自然是使用HashTable(哈希表),先介绍介绍其中的基本知识,所谓Hash,一般是一个整数,通过某种算法,可以把一个字符串"压缩" 成一个整数,这个数称为Hash,当然,无论如何,一个32位整数是无法对应回一个字符串的,但在程序中,两个字符
串计算出的Hash值相等的可能非常 小,下面看看在MPQ中的Hash算法
unsigned long HashString(char *lpszFileName, unsigned long dwHashType)
{
unsigned char *key = (unsigned char *)lpszFileName;
unsigned long seed1 = 0x7FED7FED, seed2 = 0xEEEEEEEE;
int ch;
while(*key != 0)
{
ch = toupper(*key++);
seed1 = cryptTable[(dwHashType << 8) + ch] ^ (seed1 + seed2);
seed2 = ch + seed1 + seed2 + (seed2 << 5) + 3;
}
return seed1;
}
Blizzard的这个算法是非常高效的,被称为"One-Way Hash",举个例子,字符串"unitneutralacritter.grp"通过这个算法得到的结果是0xA26067F3。
是 不是把第一个算法改进一下,改成逐个比较字符串的Hash值就可以了呢,答案是,远远不够,要想得到最快的算法,就不能进行逐个的比较,通常是构造一个哈 希表(Hash Table)来解决问题,哈希表是一个大数组,这个数组的容量根据程序的要求来定义,例如1024,每一个Hash值通过取模运算 (mod)对应到数组中的一个位置,这样,只要比较这个字符串的哈希值对应的位置又没有被占用,就可以得到最后的结果了,想想这是什么速度?是的,是最快 的O(1),现在仔细看看这个算法吧
int GetHashTablePos(char *lpszString, SOMESTRUCTURE *lpTable, int nTableSize)

{
int nHash = HashString(lpszString), nHashPos = nHash % nTableSize;
if (lpTable[nHashPos].bExists && !strcmp(lpTable[nHashPos].pString, lpszString
))
return nHashPos;
else
return -1; //Error value
}
看 到此,我想大家都在想一个很严重的问题:"如果两个字符串在哈希表中对应的位置相同怎么办?",毕竟一个数组容量是有限的,这种可能性很大。解决该问题的 方法很多,我首先想到的就是用"链表",大学里学的数据结构教会了这个百试百灵的法宝,我遇到的很多算法都可以转化成链表来解决,只要在哈希表的每个 入口挂一个链表,保存所有对应的字符串就OK了。事情到此似乎有了完美的结局,如果是把问题独自交给我解决,此时我可能就要开始定义数据结构然后写代码了。然而Blizzard的程序员使用的方法则是更精妙的方法。基本原理就是:他们在哈希表中不是用一个哈希值而是用三个哈希值来校验字符串。中 国有句古话"再一再二不能再三再四",看来Blizzard也深得此话的精髓,如果说两个不同的字符串经过一个哈希算法得到的入口点一致有可能,但用三个 不同的哈希算法算出的入口点都一致,那几乎可以肯定是不可能的事了,这个几率是:1888946593147858085478
4,大概是10的 22.3次方分之一,对一个游戏程序来说足够安全了。现在再回到数据结构上,Blizzard使用的哈希表没有使用链表,而采用"顺延"的方式来解决问题,看看这个算法:
int GetHashTablePos(char *lpszString, MPQHASHTABLE *lpTable, int nTableSize)

{
const int HASH_OFFSET = 0, HASH_A = 1, HASH_B = 2;
int nHash = HashString(lpszString, HASH_OFFSET);
int nHashA = HashString(lpszString, HASH_A);
int nHashB = HashString(lpszString, HASH_B);
int nHashStart = nHash % nTableSize, nHashPos = nHashStart;
while (lpTable[nHashPos].bExists)
{
if (lpTable[nHashPos].nHashA == nHashA && lpTable[nHashPos].nHashB == nHashB
)
return nHashPos;
else
nHashPos = (nHashPos + 1) % nTableSize;

if (nHashPos == nHashStart)
break;
}
return -1; //Error value
}
1. 计算出字符串的三个哈希值(一个用来确定位置,另外两个用来校验)
2. 察看哈希表中的这个位置
3. 哈希表中这个位置为空吗?如果为空,则肯定该字符串不存在,返回
4. 如果存在,则检查其他两个哈希值是否也匹配,如果匹配,则表示找到了该字符串,返

5. 移到下一个位置,如果已经越界,则表示没有找到,返回
6. 看看是不是又回到了原来的位置,如果是,则返回没找到
7. 回到3
怎么样,很简单的算法吧,但确实是天才的idea, 其实最优秀的算法往往是简单有效的算法.

來自:Ngacn.com  

 

Re:Blizzard的MPQ文件格式搜索算法

晕死,其实这篇文章最早还是我在bokee.com上写的,转来转去哪儿都有了 🙂

不过这篇文章现在看起来已经很土了,而且还有一些观点是不妥的,正好纠正一下

1。解决hash表碰撞有很多方法,最开始提到的链表(chaining)是其中一种,这种方法并不是我原先认为的“糟糕”的方法,相反,这种方法是最普遍的,C++标准库中的hash表用的正是这种方法。

2. 暴雪没有使用链表,而是使用线性挖掘方式(Linear probing),这是由于这种不需要动态分配内存,而且更方便将数据序列化到磁盘文件上。

2. 更好的方法是"幂次挖掘"方法(quadratic probing),发生碰撞时,按照"+1,-1,+4,-4,+9,-9,...,+n^2,-n^2"方式移动,这种方式下还需要要求容器的长度是质数,可以达到更快的速度

3. 这些方法都不是什么秘密,稍微详细一些的数据结构课程里都有,所以有一点可以肯定,上课认真听讲是没有坏处的

4. 最后是一个好消息,2008 C++标准里已经有hash表了,只不过换了一个官方名称"unordered",有点怪哈

海量数据之哈希

 

适用范围:快速查找,删除的基本数据结构,通常需要总数据量可以放入内存

基本原理及要点:

hash函数选择,针对字符串,整数,排列,具体相应的hash方法。

碰撞处理,一种是open hashing,也称为拉链法;另一种就是closed hashing,也称开地址法,opened addressing。

(1)开放定址法

hi=(h(key)+di) mod m i=1,2,...,k(k<=m-1)

其中m为表长,di为增量序列

如果di值可能为1,2,3,...m-1,称线性探测再散列。

如果di取值可能为1,-1,2,-2,4,-4,9,-9,16,-16,...k*k,-k*k(k<=m/2)

称二次探测再散列。

如果di取值可能为伪随机数列。称伪随机探测再散列。开放地址法堆装填因子的要求

开放定址法要求散列表的装填因子α≤l,实用中取α为0.5到0.9之间的某个值为宜。

(2)二次探查法(quadratic probing)

二次探查法的探查序列是:

hi=(h(key)+i*i)%m 0≤i≤m-1 //即di=i2

即探查序列为d=h(key),d+12,d+22,…,等。

该方法的缺陷是不易探查到整个散列空间。

(3)双重散列法(double hashing)

该方法是开放定址法中最好的方法之一,它的探查序列是:

hi=(h(key)+i*h1(key))%m 0≤i≤m-1 //即di=i*h1(key)

即探查序列为:

d=h(key),(d+h1(key))%m,(d+2h1(key))%m,…,等。

该方法使用了两个散列函数h(key)和h1(key),故也称为双散列函数探查法。

(4)拉链法

拉链法解决冲突的做法是:将所有关键字为同义词的结点链接在同一个单链表中。若选定的散列表长度为m,则可将散列表定义为一个由m个头指针组成的指针数组t[0..m-1]。凡是散列地址为i的结点,均插入到以t为头指针的单链表中。t中各分量的初值均应为空指针。在拉链法中,装填因子α可以大于1,但一般均取α≤1。

(5)建立一个公共溢出区

假设哈希函数的值域为[0,m-1],则设向量hashtable[0..m-1]为基本表,另外设立存储空间向量overtable[0..v]用以存储发生冲突的记录。


扩展:

d-left hashing
中的d是多个的意思,我们先简化这个问题,看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半,分别叫做T1和T2,给T1和T2分别配备一个哈希函数,h1和h2。在存储一个新的key时,同 时用两个哈希函数进行计算,得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置,哪一个 位置已经存储的(有碰撞的)key比较多,然后将新key存储在负载少的位置。如果两边一样多,比如两个位置都为空或者都存储了一个key,就把新key 存储在左边的T1子表中,2-left也由此而来。在查找一个key时,必须进行两次hash,同时查找两个位置。


问题实例:

1).海量日志数据,提取出某日访问百度次数最多的那个IP。


IP的数目还是有限的,最多2^32个,所以可以考虑使用hash将ip直接存入内存,然后进行统计。

大数据量,海量数据 处理方法总结

大数据量的问题是很多面试笔试中经常出现的问题,比如baidu google 腾讯这样的一些涉及到海量数据的公司经常会问到。

下面的方法是我对海量数据的处理方法进行了一个一般性的总结,当然这些方法可能并不能完全覆盖所有的问题,但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目,方法不一定最优,如果你有更好的处理方法,欢迎与我讨论。

1.Bloom filter

适用范围:可以用来实现数据字典,进行数据的判重,或者集合求交集

基本原理及要点:
对于原理来说很简单,位数组+k个独立hash函数。将hash函数对应的值的位数组置1,查找时如果发现所有hash函数对应位都是1说明存在,很明显这个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字,因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter,用一个counter数组代替位数组,就可以支持删除了。

还有一个比较重要的问题,如何根据输入元素个数n,确定位数组m的大小及hash函数个数。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下,m 至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些,因为还要保证bit数组里至少一半为0,则m应该>=nlg(1 /E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。

举个例子我们假设错误率为0.01,则此时m应大概 是n的13倍。这样k大概是8个。

注意这里m与n的单位不同,m是bit为单位,而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。

扩展:
Bloom filter将集合中的元素映射到位数组中,用k(k为哈希函数个数)个映射位是否全1表示元素在不在这个集合中。Counting bloom filter(CBF)将位数组中的每一位扩展为一个counter,从而支持了元素的删除操作。Spectral Bloom Filter(SBF)将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。

问题实例:给你 A,B两个文件,各存放50亿条URL,每条URL占用64字节,内存限制是4G,让你找出A,B文件共同的URL。如果是三个乃至n个文件呢?

根据这个问题我们来计算下内存的占用,4G=2^32大概是40亿*8大概是340亿,n=50亿,如果按出错率0.01算需要的大概是650亿个bit。现在可用的是340亿,相差并不多,这样可能会使出错率上升些。另外如果这些urlip是一一对应的,就可以转换成ip,则大大简单了。

2.Hashing

适用范围:快速查找,删除的基本数据结构,通常需要总数据量可以放入内存

基本原理及要点:
hash函数选 择,针对字符串,整数,排列,具体相应的hash方法。
碰撞处理,一种是open hashing,也称为拉链法;另一种就是closed hashing,也称开地址法,opened addressing。

扩展:
d-left hashing中的d是多个的意思,我们先简化这个问题,看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半,分别叫做T1和T2,给T1和T2分别配备一个哈希函数,h1和h2。在存储一个新的key时,同时用两个哈希函数进行计算,得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置,哪一个位置已经存储的(有碰撞的)key比较多,然后将新key存储在负载少的位置。如果两边一样多,比如两个位置都为空或者都存储了一个key,就把新key 存储在左边的T1子表中,2-left也由此而来。在查找一个key时,必须进行两次hash,同时查找两个位置。

问题实例:
1). 海量日志数据,提取出某日访问百度次数最多的那个IP。

IP的数目还是有限的,最多2^32个,所以可以考虑使用hash将ip直接存 入内存,然后进行统计。

3.bit-map

适用范围:可进行数据的快速查找,判重,删除,一般来说数据范围是int 的10倍以下

基本原理及要点:使用bit数组来表示某些元素是否存在,比如8位电话号码

扩展:bloom filter可以看做是对bit-map的扩展

问题实例:

1)已知某个文件内包含一些电话号码,每个号码为8位数 字,统计不同号码的个数。

8位最多99 999 999,大概需要99m个bit,大概10几m字节的内存即可。

2)2.5 亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。

将bit-map扩展一下,用2bit表示一个数即可,0表示未出现,1表示出现一次,2表示出现2次及以上。或者我们不用2bit来进行表示,我们用两个bit-map即可模拟实现这个2bit-map。

4. 堆

适用范围:海量数据前n大,并且n比较小,堆可以放入内存

基本原理及要点:最大堆求前n小,最小堆求前n大。方法,比如求前n小,我们比较当前元素与最大堆里的最大元素,如果它小于最大元素,则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量,求前n小,n的大小比较小的情况,这样可以扫描一遍即可得到所有的前n元素,效率很高。

扩展:双堆,一个最大堆与一个最小堆结 合,可以用来维护中位数。

问题实例:
1)100w个数中找最大的前100个数。

用一个100个元素大小的 最小堆即可。

5.双层桶划分

适用范围:第k大,中位数,不重复或重复的数字

基本原理及要点:因为元素范围很大,不能利用直接寻址表,所以通过多次划分,逐步确定范围,然后最后在一个可以接受的范围内进行。可以通过多次缩小,双层只是一个例子。

扩 展:

问题实例:
1).2.5亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。

有点像鸽巢原理,整数个数为2^32,也就是,我们可以将这2^32个数,划分为2^8个区域(比如用单个文件代表一个区域),然后将数据分离到不同的区域,然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间,就可以很方便的解决。

2).5亿个int找它 们的中位数。

这个例子比上面那个更明显。首先我们将int划分为2^16个区域,然后读取数据统计落到各个区域里的数的个数,之后我们根据统计结果就可以判断中位数落到那个区域,同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。

实际上,如果不是int是int64,我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域,然后确定区域的第几大数,在将该区域分成2^20个子区域,然后确定是子区域的第几大数,然后子区域里的数的个数只有2^20,就可以直接利用direct addr table进行统计了。

6.数据库索引

适用范围:大数据量的增删改查

基本原理及要点:利用数据的 设计实现方法,对海量数据的增删改查进行处理。
扩展:
问题实例:

7.倒排索引(Inverted index)

适用范围:搜索引擎,关键字查询

基本原理及要点:为何叫倒排索引?一种索引方法,被用来存储在全文搜索 下某个单词在一个文档或者一组文档中的存储位置的映射。

以英文为例,下面是要被索引的文本:
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我们就能得到下面 的反向文件索引:
"a":      {2}
"banana": {2}
"is":     {0, 1, 2}
"it":     {0, 1, 2}
"what":   {0, 1}
检索的条件"what", "is" 和 "it" 将对应集合的交集。

正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中,文档占据了中心的位置,每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词,而反向索引则是单词指向了包含它的文档,很容易看到这个反向的关系。

扩展:

问题实例:文档检索系统,查询那些文件包含了 某单词,比如常见的学术论文的关键字搜索。

8.外排序

适用范围:大数据的排序,去重

基本原理及要 点:外排序的归并方法,置换选择 败者树原理,最优归并树

扩展:

问题实例:
1).有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16个字节,内存限制大小是1M。返回频数最高的100个词。

这个数据具有很明显的特点,词的大小为16个字节,但是内存只有1m做hash有些不够,所以可以用来排序。内存可以当输入缓冲区使用。

9.trie树

适 用范围:数据量大,重复多,但是数据种类小可以放入内存

基本原理及要点:实现方式,节点孩子的表示方式

扩展:压缩实 现。

问题实例:
1).有10个文件,每个文件1G,每个文件的每一行都存放的是用户的query,每个文件的query都可能重复。要你按照query的频度排序 。

2).1000万字 符串,其中有些是相同的(重复),需要把重复的全部去掉,保留没有重复的字符串。请问怎么设计和实现?

3).寻找热门查询:查询串的重 复度比较高,虽然总数是1千万,但如果除去重复后,不超过3百万个,每个不超过255字节。

10.分布式处理 mapreduce

适 用范围:数据量大,但是数据种类小可以放入内存

基本原理及要点:将数据交给不同的机器去处理,数据划分,结果归约。

扩 展:

问题实例:

1).The canonical example application of MapReduce is a process to count the appearances of

each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);

void reduce(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by

the Map function, using the word as the result key. The framework puts together all the pairs

with the same key and feeds them to the same call to Reduce, thus this function just needs to

sum all of its input values to find the total appearances of that word.

2). 海量数据分布在100台电脑中,想个办法高效统计出这批数据的TOP10。

3).一共有N个机器,每个机器上有N个数。每个机器最多存 O(N)个数并对它们操作。如何找到N^2个数的中数(median)?

经典问题分析

上千万or亿数据(有 重复),统计其中出现次数最多的前N个数据,分两种情况:可一次读入内存,不可一次读入。

可用思路:trie树+堆,数据库索引,划分 子集分别统计,hash,分布式计算,近似统计,外排序

所谓的是否能一次读入内存,实际上应该指去除重复后的数据量。如果去重后数据可 以放入内存,我们可以为数据建立字典,比如通过 map,hashmap,trie,然后直接进行统计即可。当然在更新每条数据的出现次数的时候,我们可以利用一个堆来维护出现次数最多的前N个数据,当然这样导致维护次数增加,不如完全统计后在求前N大效率高。

如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形,可以做的改变就是将字典存放到硬盘上,而不是内存,这可以参考数据库的存储方法。

当然还有更好的方法,就是可以采用分布式计算,基本上就是map-reduce过程,首先可以根据数据值或者把数据hash(md5)后的值,将数据按照范围划分到不同的机子,最好可以让数据划分后可以一次读入内存,这样不同的机子负责处理各种的数值范围,实际上就是map。得到结果后,各个机子只需拿出各自的出现次数最多的前N个数据,然后汇总,选出所有的数据中出现次数最多的前N个数据,这实际上就是reduce过程。

实际上可能想直接将数据均分到不同的机子上进行处理,这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上,而另一个则可能完全聚集到一个机子上,同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个,我们将1000万的数据分布到10台机器上,找到每台出现次数最多的前 100个,归并之后这样不能保证找到真正的第100个,因为比如出现次数最多的第100个可能有1万个,但是它被分到了10台机子,这样在每台上只有1千个,假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的,比如有1001个,这样本来具有1万个的这个就会被淘汰,即使我们让每台机子选出出现次数最多的1000个再归并,仍然会出错,因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上,而是要根据hash 后的值将它们映射到不同的机子上处理,让不同的机器处理一个数值范围。

而外排序的方法会消耗大量的IO,效率不会很高。而上面的分布式方法,也可以用于单机版本,也就是将总的数据根据值的范围,划分成多个不同的子文件,然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。

另外还可以考虑近似计算,也就是我们可以通过结合自然语言属性,只将那些真正实际中出现最多的那些词作为一个字典,使得这个规模可以放入内存。