分析
首先是在某一天之内,并且是把访问某网站的日志中的IP取出来,逐个写入到一个大文件中。注意到IP是32位的,最多有2^32个IP。同样可以采用映射的方法,比如模1024,把整个大文件映射为1024个小文件,再找出每个小文中出现频率最大的IP(可以采用hash_map进行频率统计,然后再找出频率最大的几个)及相应的频率。然后再在这1024个最大的IP中,找出那个频率最大的IP,即为所求。
算法思想:
分治+Hash
1.IP地址最多有2^32=4G种取值情况,所以不能完全加载到内存中处理;
2.可以考虑采用“分而治之”的思想,按照IP地址的Hash(IP)%1024值,把海量IP日志分别存储到1024个小文件中。这样,每个小文件最多包含4MB个IP地址;
3.对于每一个小文件,可以构建一个IP为key,出现次数为value的Hash map,同时记录当前出现次数最多的那个IP地址;
4.可以得到1024个小文件中的出现次数最多的IP,再依据常规的 排序算法 得到总体上出现次数最多的IP;
实战
1、为了模拟海量日志数据,生成包含一亿个随机IP的日志文件。
2、将日志文件通过Hash算法分成1024个小文件。
3、利用桶排序找到每个小文件中出现次数最多的IP,并记录IP出现的次数。
4、遍历一次结果找到出现次数最多的IP。
开始运行:
结果耗时38秒:
注意:
如果大家在做实验时遇到Resource temporarily unavailable错误时,可能是文件写冲突导致的,这时候需要在写文件前加排他锁,本文的例子就是加了排他锁的。
还有一种可能是可用内存不够导致的,需要在php. ini文件 中将memory_limit设置的大一些,本文设置如下: