大数据面试题——如何找出访问最多的IP

问题描述：

现有海量日志数据保存在一个超大的文件中，该文件无法直接存入内存，要求从 中提取某天访问BD次数最多的IP

分析解读：

由于这个题目只关心某一天访问次数最多的IP，因此可以首先对文件进行一次遍历，把这一天访问的IP的相关信息记录到一个单独的文件中。接下来可以用之前的方法来进行求解。唯一需要确定的是把一个大文件分成多少个小文件比较合适。以IPV4为例子，由于一个IP地址占用32位，因此最多会有2^32=4G种取值情况。如果使用hash（IP)%1024值，那么把海量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4M个IP地址。如果使用2048个小文件，那么每个小文件会最多包含2M个IP地址。因此，对于这种题目来说，首先需要确定可用的内存的大小，然后确定数据的大小。由这两个参数就可以确定Hash函数应该怎么设置才能保证每个文件的大小都不超过内存的大小，从而可以保证每个小文件都能被一次性加载到内存中。