一直感觉PHP处理大文件是一件很不靠谱的事性，幸好有着越来越多的方法来解决这件事行。

1.直接File
如果这个大文件不算“太大”，那么就可以先用File这个方法直接把文件全部读到变量里，成为一个数组，每行为一个value。优点就是简单快速。

1
2
3
4
5
6
7
8
9
10
11

<?php
print_r(file("test.txt"));
?> 
//output
Array
(
[0] => Hello World. Testing testing!
[1] => Another day, another line.
[2] => If the array picks up this line,
[3] => then is it a pickup line?
)

2.这个方法是很传统的方法，每读一行处理一行。

1
2
3
4
5
6
7
8
9
10
11
12
13

$handle = @fopen($filename, "r");
if (!$handle) {
    exit();
}
$i=0;
while (($buffer = fgets($handle)) !== false) {
    echo $buffer;
}
if (!feof($handle)) {
    echo ("Error: unexpected fgets() fail\n");
    exit();
}
fclose($handle);

3.使用SPL SplFileObject , 这个好像更厉害，不过要PHP 5.1的支持。
这个类用来对文本文件进行遍历。

1
2
3
4
5
6
7
8
9

<?php
try{
    foreach( new SplFileObject('/log/php.log') as $line)
    echo $line.'
';
}catch (Exception $e){
    echo $e->getMessage();
}
?>

返回文本文件的第10行，可以这样写：

搞了一天的elasticsearch，中间过程确是用大量时间处理java的几个字符串的问题。本来以为 java 里 String substring(int beginIndex, int endIndex) 的开始位置比0小时会自动为0，第二个参数大于总长度时会自动填长度，结果不是，为什么不这样做？

最后还是看源码吧：

1
2
3
4
5
6
7
8
9
10
11
12
13

public String substring(int beginIndex, int endIndex) {
	if (beginIndex < 0) {
	    throw new StringIndexOutOfBoundsException(beginIndex);
	}
	if (endIndex > count) {
	    throw new StringIndexOutOfBoundsException(endIndex);
	}
	if (beginIndex > endIndex) {
	    throw new StringIndexOutOfBoundsException(endIndex - beginIndex);
	}
	return ((beginIndex == 0) && (endIndex == count)) ? this :
	    new String(offset + beginIndex, endIndex - beginIndex, value);
}

网上搞来的，以前要是有这图，学起来得有多简单。

首先说做ACM是个很锻炼人的过程，可以自已没正式训练过（中间做过很短很短的一段时间）。今天无意看到下面的文章，先不说要求自己几分钟内写多少码，至少这些算法得有空再研究研究，书也买来看看。

首先是编程的能力，一般要做到50行以内的程序不用调试、100行以内的二分钟内调试成功。

第一阶段：练经典常用算法，下面的每个算法给我打上十到二十遍，同时自己精简代码，因为太常用，所以要练到写时不用想，10-15分钟内打完。
1．最短路（Floyd、Dijstra、BellmanFord）；
2．最小生成树（先写个prim，kruscal要用并查集，不好写）；
3．大数（高精度）加减乘除；
4．二分查找（代码可在五行以内）；
5．叉乘、判线段相交、然后写个凸包；
6．BFS、DFS，同时熟练hash表（要熟，要灵活,代码要简）；
7．数学上的有：辗转相除（两行内），线段交点、多角形面积公式；
8．调用系统的qsort, 技巧很多，慢慢掌握；
9．任意进制间的转换……

第二阶段：练习复杂一点，但也较常用的算法。 如：
1．二分图匹配（匈牙利），最小路径覆盖；
2．网络流，最小费用流；
3．线段树；
4. 并查集；
5．熟悉动态规划的各个典型：LCS、最长递增子串、三角剖分、记忆化dp ；
6．博弈类算法。博弈树，二进制法等；
7．最大团，最大独立集；
8．判断点在多边形内；
9．差分约束系统；
10．双向广度搜索、A*算法，最小耗散优先……

算法书有很多可以参考：

1、Concrete Mathematics — A Foundation For Computer Science
Ronald L. Graham ， Donald E. Knuth ， Oren Patashnik
这本书《具体数学》是Stanford计算机系的教材（1970 年开始给研究生授课），书的内容是Knuth的巨著TAOCP第一章的扩展，涉及了计算机科学领域内几乎所有可能遇到的数学知识。书中许多经典问题的解答比目前广泛流传的解法更易懂。对于提高大家的数学修养有很大帮助。

2、Introduction to Algorithms
Thomas H. Cormen ，Charles E. Leiserson ，Ronald L. Rivest ，Clifford Stein
《算法导论》MIT计算机系的经典算法教材。作者Rivest获得过ACM Turing Award，牛！本书内容全面，语言通俗，很适合大家入门。

3、实用算法的分析和程序设计
吴文虎 王建德
大名鼎鼎的“黑书”。内容包括了竞赛需要的各种算法，各种层次的读者都适合。

php 5.1 以后自带了一个 fputcsv 函数，如果想把数组导出成excel又没有其它更完善的需求，fputcsv 是个最好的选择，当然要用更强大的功能，可以试试PHPExcel这个库。

下面是导出后并下载的封装函数

1
2
3
4
5
6
7
8
9
10
11
12
13

function exportCSV($fileName, array $title,array $data) {
  header('Content-Type: application/vnd.ms-excel');
  header("Content-Disposition: attachment;filename = {$fileName}.csv");
  header('Cache-Control: max-age=0');

  $fp = fopen('php://output', 'a');
  fputcsv($fp, $title);

  foreach ($data as $one) {
    fputcsv($fp, $one);
  }
  fclose($fp);
}

简单的demo

1
2
3
4
5
6
7
8

$title=array('name','age');

$data=array(
array('李四','12'),
array('张三','20')
);

exportCSV('aaa',$title,$data);

js中Date对象Month要比真实值小1, 为什么要这样？我想用2014-01-05 还得这样，真是不理解。

1

new Date(2014,00,05);

数组求和

求数组中的最大值和最小值

求数组中的最大值和次大值

求数组中出现次数超过一半的元素

求数组中元素的最短距离

求两个有序数组的共同元素

求三个数组的共同元素

找出数组中唯一重复的元素

找出出现奇数次的元素

求数组中满足给定和的数对

最大子段和

最大子段积

数组循环移位

字符串逆转

组合问题

合并两个数组

重排问题

找出绝对值最小的元素

*数组求和 *
给定一个含有n个元素的整型数组a，求a中所有元素的和。可能您会觉得很简单，是的，的确简单，但是为什么还要说呢，原因：这道题要求用递归，只用一行代码。
分析
简单说一下，两种情况：
1. 如果数组元素个数为0，那么和为0；
2. 如果数组元素个数为n，那么先求出前n-1个元素之和，再加上a[n - 1]即可；
代码
// 数组求和
int sum(int*a, int n) { return n ==0?0 : sum(a, n -1) + a[n -1]; }

求数组的最大值和最小值
给定一个含有n个元素的整型数组a，求a中的最大值和最小值。
分析
常规的做法是遍历一次，分别求出最大值和最小值，事实上，至多3|n/2|（||代表向下取整）就足以找出最小值和最大值。做法是：记录比较过程中遇到的最小值和最大值。我们并不是将每一个输入元素与当前的最大值和最小值进行比较（这样做的代价是每个元素需要两次比较），而是成对的处理元素。先将一对输入元素进行比较，然后把较小者与当前最小值进行比较，把较大者与当前最大值比较，因此每两个元素比较3次。
如何假定当前最小值和最大值的初始值依赖于n是奇数还是偶数。如果n是奇数，就将最小值和最大值都设为第一个元素的值，然后成对的处理余下的元素。如果n是偶数，就对前两个元素做一次比较，以决定最小值和最大值的初值，然后如同n是奇数的情形一样，成对的处理余下的元素。

但是这里要说的是分治法，将数组分成左右两部分，先求出左半部分的最大值和最小值，再求出右半部分的最大值和最小值，然后综合起来求总体的最大值和最小值。这是个递归的过程，对于划分后的左右两部分，同样重复这个过程，直到划分区间内只剩下一个元素或者两个元素。

代码
// 求数组的最大值和最小值，返回值在maxValue和minValue
`void MaxandMin(int *a, int l, int r, int& maxValue, int& minValue)
{
if(l == r) // l与r之间只有一个元素
{
maxValue = a[l] ;
minValue = a[l] ;
return ;
}

if(l + 1 == r) // l与r之间只有两个元素
{
    if(a[l] >= a[r])
    {
        maxValue = a[l] ;
        minValue = a[r] ;
    }
    else
    {
        maxValue = a[r] ;
        minValue = a[l] ;
    }
    return ;
}

int m = (l + r) / 2 ; // 求中点

int lmax ; // 左半部份最大值
int lmin ; // 左半部份最小值
MaxandMin(a, l, m, lmax, lmin) ; // 递归计算左半部份

int rmax ; // 右半部份最大值
int rmin ; // 右半部份最小值
MaxandMin(a, m + 1, r, rmax, rmin) ; // 递归计算右半部份

maxValue = max(lmax, rmax) ; // 总的最大值
minValue = min(lmin, rmin) ; // 总的最小值

}
**求数组的最大值和次小值** 给定一个含有n个元素的整型数组a，求a中的最大值和次小值。 分析 思路和上一题类似，同样是用分治法，先求出左边的最大值leftmax和次大值leftsecond，再求出右边的最大值rightmax和次大值rightsecond，然后合并，如何合并呢？分情况考虑。 1\. 如果leftmax > rightmax，那么可以肯定leftmax是最大值，但次大值不一定是rightmax，但肯定不是rightsecond，只需将leftsecond和rightmax做一次比较即可； 2\. 如果rightmax > leftmax，那么可以肯定的rightmax是最大值，但次大值不一样是leftmax，但肯定不是leftsecond，所以只需将leftmax与rightsecond做一次比较即可； 注意 这种方法无法处理最大元素有多个的情况，比如3,5,7,7，将返回7,7而不是7,5。感谢网友，从无到有靠他人指出。 代码 // 找出数组的最大值和次大值，a是待查找的数组，left和right是查找区间，max和second存放结果void MaxandMin(int a[], int left, int right, int&max, int&second)
{
if(left == right)
{
max = a[left] ;
second = INT_MIN;
}
elseif(left +1== right)
{
max = a[left] > a[right] ? a[left] : a[right] ;
second = a[left] < a[right] ? a[left] : a[right] ;
}
else
{
int mid = left + (right - left) /2 ;

    int leftmax ;
    int leftsecond ;
    MaxandMin(a, left, mid, leftmax, leftsecond) ;

    int rightmax ;
    int rightsecond ;
    MaxandMin(a, mid +1, right, rightmax, rightsecond) ;

    if (leftmax > rightmax)
    {
        max = leftmax ;
        second = leftsecond > rightmax ? leftsecond : rightmax ;
    }
    else
    {
        max = rightmax ;
        second = leftmax < rightsecond ? rightsecond : leftmax ;
    }
}

1. 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？
方案1：可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。
s 遍历文件a，对每个url求取 ，然后根据所取得的值将url分别存储到1000个小文件（记为 ）中。这样每个小文件的大约为300M。
s 遍历文件b，采取和a相同的方式将url分别存储到1000各小文件（记为 ）。这样处理后，所有可能相同的url都在对应的小文件（ ）中，不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。
s 求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。
方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。

2. 有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序。
方案1：
s 顺序读取10个文件，按照hash(query)%10的结果将query写入到另外10个文件（记为 ）中。这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。
s 找一台内存在2G左右的机器，依次对 用hash_map(query, query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件（记为 ）。
s 对 这10个文件进行归并排序（内排序与外排序相结合）。
方案2：
一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。
方案3：
与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理（比如MapReduce），最后再进行合并。

3. 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字节，内存限制大小是1M。返回频数最高的100个词。
方案1：顺序读文件中，对于每个词x，取 ，然后按照该值存到5000个小文件（记为 ） 中。这样每个文件大概是200k左右。如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，知道分解得到的小文件的大小都不超过1M。对 每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash_map等），并取出出现频率最大的100个词（可以用含100个结点 的最小堆），并把100词及相应的频率存入文件，这样又得到了5000个文件。下一步就是把这5000个文件进行归并（类似与归并排序）的过程了。

4. 海量日志数据，提取出某日访问百度次数最多的那个IP。
方案1：首先是这一天，并且是访问百度的日志中的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 个 IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000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1000个最大的IP中，找出那个频率最大的IP，即为所求。

5. 在2.5亿个整数中找出不重复的整数，内存不足以容纳这2.5亿个整数。
方案1：采用2-Bitmap（每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义）进行，共需内存 内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看bitmap，把对应位是01的整数输出即可。
方案2：也可采用上题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。

6. 海量数据分布在100台电脑中，想个办法高校统计出这批数据的TOP10。
方案1：
s 在每台电脑上求出TOP10，可以采用包含10个元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆）。比如求TOP10大，我们首先取前 10个元素调整成最小堆，如果发现，然后扫描后面的数据，并与堆顶元素比较，如果比堆顶元素大，那么用该元素替换堆顶，然后再调整为最小堆。最后堆中的元 素就是TOP10大。
s 求出每台电脑上的TOP10后，然后把这100台电脑上的TOP10组合起来，共1000个数据，再利用上面类似的方法求出TOP10就可以了。

7. 怎么在海量数据中找出重复次数最多的一个？
方案1：先做hash，然后求模映射为小文件，求出每个小文件中重复次数最多的一个，并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求（具体参考前面的题）。

8. 上千万或上亿数据（有重复），统计其中出现次数最多的钱N个数据。
方案1：上千万或上亿的数据，现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了，可以用第6题提到的堆机制完成。

上个月第一天很显然可以这样用：

1

date('Y-m-01', strtotime('-1 month'));

上个月最后一天可以这样用

1

date('Y-m-t', strtotime('-1 month'));

这样感觉使用起来很神奇，不过还是strtotime的作用，看看手册上还有哪些用法。

1
2
3
4
5
6
7

echo strtotime("now"), "\n";
echo strtotime("10 September 2000"), "\n";
echo strtotime("+1 day"), "\n";
echo strtotime("+1 week"), "\n";
echo strtotime("+1 week 2 days 4 hours 2 seconds"), "\n";
echo strtotime("next Thursday"), "\n";
echo strtotime("last Monday"), "\n";