阅读 682

大厂前端面试分享:如何让6000万数据包和300万数据包在仅50M内存环境中求交集

由于最近疫情的影响,相信最近很多小伙伴都忙于线上办公或者面试😭,笔者这里分享一道发生在大厂前端线上编程面试中的一道题目,

如何让 6000 万数据包和 300 万数据包在仅 50M 内存环境中求交集,请简单说出您解决这问题的思路

我们假设现在有两份庞大的数据,而这两份数据包的数据结构均如下,仔细观察里面的数据我们不难发现,里面有 QQ 号,地址和年龄,如题目的要求我们需要是求交集,所以我们暂时可以忽略地址和年龄,以 QQ 号作为唯一标识:

QQ:40645253 地址:xxx 年龄:xxx
QQ:49844525 地址:xxx 年龄:xxx
QQ:51053984 地址:xxx 年龄:xxx
QQ:15692967 地址:xxx 年龄:xxx
QQ:39211026 地址:xxx 年龄:xxx
// 以下省略 6000 万条数据
...
复制代码

梳理了上面的数据包结构之后,我们就得看看 50M 内存是什么情况了,由于面试在线上进行,只能短时间在本地测试下上面这个数据量在本地会占有有多大空间,那由于限于是场前端面试,所以笔者选用了 NodeJS 去制造这些庞大的数据了,当时线上编写的时候是没注释的,这里为了方便小伙伴理解,在写这篇文章的时候我自觉加上了😁

const fs = require("fs");
const path = require('path');
const writer = fs.createWriteStream(path.resolve(__dirname, 'data-60M.txt'), { highWaterMark: 1 });

const writeSixtyMillionTimes = (writer) => {
    const write = () => {
        let data = Buffer.from(`${parseInt(Math.random() * 60000000)}\n`)
        let ok = true;
        do {
            i--;
            if (i === 0) {
                // 最后一次写入。
                writer.write(data);
            } else {
                // 检查是否可以继续写入。 
                // 不要传入回调,因为写入还没有结束。
                ok = writer.write(data);
            }
        } while (i > 0 && ok);
        if (i > 0) {
            // 被提前中止。
            // 当触发 'drain' 事件时继续写入。
            writer.once('drain', write);
        }
    }
    // 初始化6000万数据
    let i = 600000;
    write();
}

writeSixtyMillionTimes(writer)
复制代码

首先在本地新建一份 data-60M.txt 文件,然后新建一份 data-60M.js 把上面代码写入并执行,这里我最主要是使用了一个递归,由于当时为了快速写入文件测试大小,当时模拟的 QQ 号,是使用 ${parseInt(Math.random() * 60000000)}\n 随机数生成的,在实际测试表现中会有极小几率重复 QQ 号,但影响不大,实际影响最大的是当你在生成 6000 万数据的时候,电脑疯狂运作,运气不好的时候直接卡死,然后远程面试直接断线。

这里笔者还是建议小伙伴在远程面试中手机随时待命,当电脑 GG 的时候还能联系面试官抢救一下,经过与电脑性能的多轮斗争,和面试官尴尬重连的情况下,终于发现实际文件大小规律如下,这里为了方便小伙伴调试源代码,我也把代码传到 Github 上,链接放在最后,只放了 6000 条数据,实际 300MB 实在是传不上去了,小伙伴们可以下载源代码自行测试,祈祷电脑能熬过去o(╥﹏╥)o:

数据量 内存占用
6000条数据(Git版本) >=30KB
6000万条数据(实际版本) >=300MB
300条数据(Git版本 >=15KB
300万条数据(实际版本) >=15MB

到了这个地方,笔者渐渐地看出这个问题的坑点可能在那里了,6000 万条数据在测试文件中大小大概在 300MB 左右,而 300 万条数据大小大概在 15 MB,在 50MB 的内存限制下,我们可以把 300 万条约 15MB 的数据完全放入内存中,剩余大概 35MB 空间是不允许我们完全放入 6000 万条约 300MB 的数据,所以我们需要把数据切割成10块左右,大概每块控制在 30MB ,然后分别读取出来跟内存中的 300 万条数据进行比对并求出交集,50MB 情况也太极端苛刻了,难道是手机并且还是老人机吗,我也不敢问啊o(╥﹏╥)o

在思考上面这一连串的逻辑时候,为了不耽误面试官宝贵的时间,边想边随手建立好下面几份文件和文件夹,好梳理代码,给自己思考时间和回旋的余地,以下是我当时临时的目录结构。

  • database
    • data-3M.txt - 模拟的3百万数据包
    • data-60M.txt - 模拟的6千万数据包
  • library
    • data-3M.js - 处理3百万数据包的逻辑
    • data-60M.js - 处理6千万数据包的逻辑
    • intersect.js - 处理数据包的交集
    • create-60M.js - 生成大数据的文件
  • result.txt 最终数据包的交集结果
  • index.js 主逻辑文件

在不急不慢的分类好目录结构之后,总得再弄点代码给面试官瞧瞧吧o(╥﹏╥)o,不能让人家空等啊

当然既然是面试用 NodeJS 第三方模块解决也不够好,当时是先屡一下用什么原生模块实现比较好,要满足上面这些要求,想到这里能使用到的原生 Node 内置模块关键有如下两个:

  • fs - 文件系统
  • readline - 逐行读取

fs.createReadStream(path[, options])方法中,其中 options 可以包括 start 和 end 值,以从文件中读取一定范围的字节而不是整个文件。 start 和 end 都包含在内并从 0 开始计数,这种是方法方便我们分段读取 6000 万条数据。当时快速写了一个示例去验证,从一个大小为 100 个字节的文件中读取最后 10 个字节:

fs.createReadStream('data-60M.txt', { start: 90, end: 99 });
复制代码

经过短暂的测试,发现这个方案可行,心理淡定了一点。

起码这个备用方案起码可以给自己留点操作空间,但当时讨论到的是下面这种方案:

fs.createReadStream() 提供 highWaterMark 选项,它允许我们将以大小等于 highWaterMark 选项的块读取流,highWaterMark 的默认值为: 64 * 1024(即64KB),我们可以根据需要进行调整,当内部的可读缓冲的总大小达到 highWaterMark 设置的阈值时,流会暂时停止从底层资源读取数据,直到当前缓冲的数据被消费,我们就可以触发readline.pause()暂停流,处理完之后继续触发readline.resume()恢复流,然后不断重复以上步骤,将 6000 万数据分别处理完。

readline 模块提供了一个接口,用于一次一行地读取可读流中的数据。 它可以使用以下方式访问,并且我们的数据包,每条数据之间是使用\n、\r 或 \r\n隔开,所以这样方便我们使用readline.on('line', (input) => {})来接受每一行数据包的字符串。

这里自我感觉有些丢分项,是当时忘记了 fs.createReadStream 里面一些配置项,在现场临时翻阅 NodeJS 的官方 API 文档,这里非常感谢当时面试官的理解(^▽^)

下面,我们就要写最关键的代码了,就是如何处理那 6000 万条数据,打开刚才新建好的data-60M.js文件,该文件就是用于专门处理 6000 万数据的,我们使用readlinecreateReadStream两者配合,将数据按一定条数分别缓存在内存中,这里代码正如上面提到,由于提交的代码不适合太大(Git传上去太慢),所以把数据量减少到 6000 条,那么分成 10 份的话,每份缓存就需要读 600 条左右,读完每份数据之后调用intersect函数求交集,并存入硬盘result.txt文件中,然后释放内存:

// 写入结果
const writeResult = (element) => {
    appendFile('./result.txt', `${element}\n`, (err) => {
        err ? () => console.log('写入成功') : () => console.log('写入失败');
    })
}
复制代码

这里最关键是要定义一个空的容器lineCount来存放每段数据,并且使用if (lineCount === 6000) {}语句判断内存超过限制的空间后做释放内存的处理:

const { createReadStream, appendFile } = require('fs');
const readline = require('readline');
const intersect = require('./intersect');

module.exports = (smallData) => {
    return new Promise((resolve) => {
        const rl = readline.createInterface({
            // 6000条数据流
            input: createReadStream('./database/data60M.txt', {
                // 节流阀
                highWaterMark: 50
            }),
            // 处理分隔符
            crlfDelay: Infinity
        });
        // 缓存次数
        let lineCount = 0;
        // 缓存容器
        let rawData = [];
        // 逐行读取
        rl.on('line', (line) => {
            rawData.push(line);
            lineCount++;
            // 限制每一次读取6000条数据,分十次读取
            if (lineCount === 6000) {
                // 释放内存
                // ...
            }
        );
        rl.on('close', () => {
            resolve('结束');
        })
    })
}
复制代码

释放内存后前需要使用rl.pause()暂停流,然后做两步逻辑:

  • 求交集结果
  • 写入每段交集结果到硬盘

然后需要使用rl.resume()重启流:

if (lineCount === 6000) {
    // 暂停流
    rl.pause();
    // 获取交集
    let intersectResult = intersect(rawData, smallData);
    // 遍历交集并写入结果
    intersectResult.forEach(element => {
        writeResult(element)
    });
    // 释放缓存
    rawData = null;
    intersectResult = null;
    rawData = [];
    // 重置读取次数
    lineCount = 0;
    // 重启流
    rl.resume();
}
复制代码

上面这个过程实际非常耗时和缓慢,这里建议就是在代码长时间运行的时候不要冷落了面试官o(╥﹏╥)o

在处理完上面 6 千万数据之后,就剩下 3百万份的了,这里的数据由于是3百万,所以可以把全部数据放入内存,我们在data-3M.js写入以下代码,这里用Promise封装,方便在外部配合asyncawait使用:

const fs = require('fs');
const readline = require('readline');
module.exports = () => {
    return new Promise((resolve) => {
        const rl = readline.createInterface({
            input: fs.createReadStream('./database/data-3M.txt'),
            crlfDelay: Infinity
        });
        let check = [];
        rl.on('line', (line) => {
            check.push(line);
        });
        rl.on('close', () => {
            resolve(check)
        })
    })
}
复制代码

然后就是交集了,在intersect.js代码中写入一下代码,这里简单的使用Setfilter方法来求交集:

// 交集方法
module.exports = (a, b) => {
    return a.filter(x => new Set(b).has(x));
}
复制代码

分别把上面两份处理关键数据在index.js逻辑引入,然后执行逻辑,就可以乖乖地等待面试官的检阅和指导了:

const data3M = require('./library/data-3M');
const data60M = require('./library/data-60M');
(async () => {
    let smallData = await data3M();
    let result = await data60M(smallData);
    console.log(result);
})();
复制代码

这里附上源代码地址方便小伙伴测试:github.com/Wscats/inte…

也使用以下命令运行测试,运行成功后结果会在result.txt中展现结果:

git clone https://github.com/Wscats/intersect
# 运行
npm start
# 查看结果
npm run dev
# 生成新的大数据
npm run build
复制代码

最后如果文章能带您一丝帮助或者启发,请不要吝啬你的赞和收藏,你的肯定是我前进的最大动力😁