海量数据处理方法与分析(1/3)

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。 

有些2003系统的iis按如上设置就是不行，下面的方法虽然可以，但返回的状态码却是200：
把消息内容设置成 url
url里填写 /404.htm
再把 404.htm 放在网站根目录下。

直接修改默认的404页面也是不行的。

原来是文件访问权限的问题，只要把404.htm设置成everyone可读 就行了

iis中404设置方法

打开iis管理器-->右击网站的属性-->点击自定义错误选项-->选中404-->选中并打开编辑属性-->设置成 url --> url 里填写"/www.111cn.net.html"-->此处在"消息类型"中一定要选择"文件"或"默认值"，而不要选择"url"，不然，将导致返回"200"状态码。-->确定退出把做好的err.html 页面上传到网站根目录

http404对seo教程的影响

　　自定义404错误页面对搜索引擎而言，这则是相当重要的。
当搜索引擎蜘蛛在请求某个url时得到"404′状态回应时，即知道该url已经失效，便不再索引该网页，并向数据中心反馈将该url表示的网页从索引数据库教程中删除，当然，删除过程有可能需要很长时间；而当搜索引擎得到"200′状态回应时，则会认为该url是有效的，便会去索引，并会将其收录到索引数据库，这样的结果便是这两个不同的url具有完全相同的内容：自定义404错误页面的内容，这会导致出现复制网页问题。对搜索引擎而言，特别是google，不但很难获得信任指数trustrank，也会大大降低google对网站质量的评定。（为什么会出现返回"200′状态码的情况？？请参看下面内容"自定义404错误页面的基本原则"）

提供几个404是否设计正确方法检测地址

http://seo.g2soft.net/online-tools/server_status_checker.php#result

http://www.ranknow.cn/tools/checkhttpcode404

　　internet信息服务(iis)无法删除的解决方法：

　　1、进入控制面板；

　　2、然后点击添加删除程序；

　　3、接着点击“添加/删除windows组件”；

　　4、点击“internet信息服务(iis)”，呈现蓝色显示；

　　5、接着点击下方的“详细信息”按钮，将会弹出“internet信息服务(iis)”菜单，显示里面有7个选项。从下到上先把最下面一个选项的勾去掉，接着点击下一步，然后就会自动删除本项目；重复上一步，依次把一个一个项目删除，则internet信息服务(iis)就彻底卸载完成了！

　　6、如果在删除以上的项目中仍出现无法删除的情况，则先进行以下的操作：
　　（1）删除%windir%system32inetsrv目录；
　　（2）删除%windir%iisx.log文件（x是iis版本）；
　　（3）删除%windir%inetpub目录；
　　（4）以上3个操作可以在安全模式下进行，然后再进行以上第5步的操作。

　　一般情况下，重装iis的步骤为：
　　1、卸载iis；
　　2、删除%windir%system32inetsrv目录；
　　3、删除%windir%iisx.log文件（x是iis版本）；
　　4、删除%windir%inetpub目录；
　　5、重装iis。

bind 9的配置方法

/etc/named.conf

options {
        directory "/var/named";

};

# named.root is available at ftp://ftp.internic.net/domain/named.root

zone "." in {
        type hint;
        file "named.root";
};

# here is zone for domain ustrem.org

zone "ustrem.org" in {
        type master;
        file "ustrem.org";
        allow-transfer { none; };
        allow-update { none; };

};

# here is reverse zone zone for net 192.168.2.0/255.255.255.0

zone "2.168.192.in-addr.arpa" {
        type master;
        file "loc";
        allow-update { none; };
};

----------------------------------------------------

here is ustrem.org's zone file

-----------------------------

/var/named/ustrem.org

$origin .
$ttl 86400      ; 1 day
ustrem.org              in soa  pns.ustrem.org. onzi.ustrem.org. (

# onzi.ustrem.org is email for contacts (onzi_at_ustrem_dot_org)

                                2006083102 ; serial

# this is stamp for date and time and number of day change

                                3600      ; refresh (8 hours)
                                1800      ; retry (4 hours)
                                86400    ; expire (5 weeks 6 days 16 hours)
                                3600      ; minimum (1 day)
                                )
                        ns      pns.ustrem.org.
                        ns      ns1.xname.org.

# ns records for domain

                        a       213.240.243.12

# this line shows "ustrem.org" is with ip 213.240.243.12

                        mx      10 mail.ustrem.org.

# here is smtp server which received mails for ustrem.org

                        txt     "v=spf1 mx a:mail.b-trust.org a:mailrelay.bsbg.net -all"

# this is text record for prevent from spammers and spoofers. here is smtp-s which sends emails from ustrem.org

$origin ustrem.org.

*                       a       213.240.243.12

# some-does-not-described.ustrem.org is with ip 213.240.243.12

bobi                    a       213.240.227.125
pns                     a       213.240.243.12

*.bobi                  cname   bobi.ustrem.org.

boiko                   a       84.238.128.65
george                  a       213.240.242.107

laptoper4e              a       192.168.2.18
mitkosipc               a       192.168.2.4
pi-server               a       192.168.2.15
pz                      a       217.10.245.249
router                  a       192.168.2.24

----------------------------------------------------------------------------------

here is reverse resolv

---------------------------------------------

/var/named/loc

$origin .
$ttl 86400      ; 1 day
2.168.192.in-addr.arpa  in soa  pns.ustrem.org. onzi.ustrem.org. (
                                2006080302 ; serial
                                28800      ; refresh (8 hours)
                                14400      ; retry (4 hours)
                                3600000    ; expire (5 weeks 6 days 16 hours)
                                86400      ; minimum (1 day)
                                )
                        ns      pns.ustrem.org.
                        ns      sns.ustrem.org.

$origin 2.168.192.in-addr.arpa.
4       ptr     mitkosipc.ustrem.org.
18      ptr     laptoper4e.ustrem.org.
15      ptr     pi-server.ustrem.org.
24      ptr     router.ustrem.org.

---------------------------------------------

this is enougt for bind9 to work.

now you can start and test it....

# dig ustrem.org @127.0.0.1

;; question section:
;ustrem.org.                    in      a

;; answer section:
ustrem.org.             86400   in      a       213.240.243.12

# dig ustrem.org @127.0.0.1 mx

;; question section:
;ustrem.org.                    in      mx

;; answer section:
ustrem.org.             86400   in      mx      10 mail.ustrem.org.

# dig -x 192.168.2.4 @127.0.0.1

;; question section:
;4.2.168.192.in-addr.arpa.      in      ptr

;; answer section:
4.2.168.192.in-addr.arpa. 86400 in      ptr     mitkosipc.ustrem.org.