Jun
8
我的邀请注册链接： https://db.tt/5PWtd8Vc
最大化Dropbox的免费空间（4G+）
虽然早就听说Dropbox这个同步应用，但是一直没有用上。根据Dropbox于近日被GFW掐掉，于是我决定开始使用它。
简单地说，Dropbox在单纯网络硬盘之上提供了数个很有创意的功能。包括：
a. 2G免费空间，介绍一个用户增加250M，上限是8G（或者10G？没理解）。
b. 自动同步。由于有个客户端，可以在多个电脑、手机之间自动同步文件，非常方便。
c. 照片文件夹可以作为WEB相册访问
d. 共享文件夹允许你和多个朋友一起共享、交流文件，尤其特别是小文档，比邮箱方便快捷，比IM传文件靠谱。
e. 有一个公开目录，可以生成直接的下载链接。
由于第一定律导致了它被墙的必然，但是第二定律暂时还没生效，因此，希望使用第三定律界定的这个优秀服务还是得绕个弯。所谓“奇伟瑰怪非常之观，常在於险远而人之所罕至”，所以，找个翻墙工具吧！
推荐使用 shadowsocks 来创建一个 socks5 代理，创建好以后安装Dropbox，在 preference -> network 选项卡填入代理（注意代理类型为 socks5），就可以畅享Dropbox了！ (注：2018年更新，现在 ssh 和 openvpn、pptpvpn 都不好用了，shadowsocks 还行）
【创建socks代理】
创建 socks5 代理最简单是购买一个；如果有一定动手能力的话，推荐自己搭建：
1. 推荐购买一个国外的 VPS，例如 搬瓦工 年付 19.99 美元的机型：https://clients.hostmybytes.com/aff.php?aff=1042&gid=55，操作系统推荐使用Ubuntu 16.04 (配合下面说明)。购买后可以得到服务器的 ip 和 root 帐号登录密码。
2. 用 ssh 客户端（windows下推荐Tunnelier，下载地址：https://share.weiyun.com/5a3IPmg ），使用 root 密码登录服务器。
3. 安装 shadowsocks 服务端，执行命令：sudo apt-get install -y screen shadowsocks
4. 启动 shadowsocks 服务端，执行命令（记得替换你的密码）：screen -dmS ss ssserver -k 密码 -m aes-256-cfb -p 8388
注：screen -ls 如果能看到一条 ss 说明正常启动了。稳妥起见可以在crontab添加一个任务 "* * * * * screen -dmS ss ssserver -k 密码 -m aes-256-cfb -p 8388"
5. 下载并打开 shadowsocks 客户端：
下载文件 (已下载 879 次)
6. 双击通知区域窗口区的纸飞机图标，将服务器的 IP 和端口（8388）、密码填入，就可以在本机启动一个 socks5 代理了。
====
我的邀请注册链接： https://db.tt/5PWtd8Vc
最大化Dropbox的免费空间（4G+）
最大化Dropbox的免费空间（4G+）
虽然早就听说Dropbox这个同步应用，但是一直没有用上。根据
引用
GFW 三定律
GFW 第一定律：只要是 “用户产生内容”(User-generated content, UGC) 的国外网站都会被和谐。
GFW 第二定律：只要是被和谐的网站，国内一定会有个克隆版。
GFW 第三定律：没有被和谐的网站一定不是同类竞争者中最出色的。
GFW 第一定律：只要是 “用户产生内容”(User-generated content, UGC) 的国外网站都会被和谐。
GFW 第二定律：只要是被和谐的网站，国内一定会有个克隆版。
GFW 第三定律：没有被和谐的网站一定不是同类竞争者中最出色的。
简单地说，Dropbox在单纯网络硬盘之上提供了数个很有创意的功能。包括：
a. 2G免费空间，介绍一个用户增加250M，上限是8G（或者10G？没理解）。
b. 自动同步。由于有个客户端，可以在多个电脑、手机之间自动同步文件，非常方便。
c. 照片文件夹可以作为WEB相册访问
d. 共享文件夹允许你和多个朋友一起共享、交流文件，尤其特别是小文档，比邮箱方便快捷，比IM传文件靠谱。
e. 有一个公开目录，可以生成直接的下载链接。
由于第一定律导致了它被墙的必然，但是第二定律暂时还没生效，因此，希望使用第三定律界定的这个优秀服务还是得绕个弯。所谓“奇伟瑰怪非常之观，常在於险远而人之所罕至”，所以，找个翻墙工具吧！
推荐使用 shadowsocks 来创建一个 socks5 代理，创建好以后安装Dropbox，在 preference -> network 选项卡填入代理（注意代理类型为 socks5），就可以畅享Dropbox了！ (注：2018年更新，现在 ssh 和 openvpn、pptpvpn 都不好用了，shadowsocks 还行）
【创建socks代理】
创建 socks5 代理最简单是购买一个；如果有一定动手能力的话，推荐自己搭建：
1. 推荐购买一个国外的 VPS，例如 搬瓦工 年付 19.99 美元的机型：https://clients.hostmybytes.com/aff.php?aff=1042&gid=55，操作系统推荐使用Ubuntu 16.04 (配合下面说明)。购买后可以得到服务器的 ip 和 root 帐号登录密码。
2. 用 ssh 客户端（windows下推荐Tunnelier，下载地址：https://share.weiyun.com/5a3IPmg ），使用 root 密码登录服务器。
3. 安装 shadowsocks 服务端，执行命令：sudo apt-get install -y screen shadowsocks
4. 启动 shadowsocks 服务端，执行命令（记得替换你的密码）：screen -dmS ss ssserver -k 密码 -m aes-256-cfb -p 8388
注：screen -ls 如果能看到一条 ss 说明正常启动了。稳妥起见可以在crontab添加一个任务 "* * * * * screen -dmS ss ssserver -k 密码 -m aes-256-cfb -p 8388"
5. 下载并打开 shadowsocks 客户端：
下载文件 (已下载 879 次)6. 双击通知区域窗口区的纸飞机图标，将服务器的 IP 和端口（8388）、密码填入，就可以在本机启动一个 socks5 代理了。
====
我的邀请注册链接： https://db.tt/5PWtd8Vc
最大化Dropbox的免费空间（4G+）
Jun
4
去年2月买的那个ASUS WL-520gu屈居普通路由器的角色已经很久了。由于今年由于各种失窃攒了众多RP，只剩下路由器可以折腾了，于是把它再翻出来。前一阵看到GFW Blog上总是在转载基于openvpn的翻墙路由器相关文章，于是也想搞一个自己的。但是vpn太贵了，ssh倒是正好，配合firefox的auto proxy或者chrome的proxy switchy，效果非常赞。OK，废话少说，切入正题。
需要的硬件：
1. ASUS wl-520gu，带有USB口的开源无线路由器，4Mflash，16Mram，200MHz brcm5354cpu。在 http://www.nslu2-linux.org/wiki/Optware/HomePage 提到的其他应该也OK。
2. 一个普通的U盘。256MB以上。
需要的软件：
1. Linux，貌似绕不过去，总得有的。
2. tomato固件
3. optware.rar
具体步骤：
1. 刷上tomato-1.23.8619-ND-USB-简体中文版.trx，可以在这里下载： http://dl.dbank.com/c0orlm04oj
刷好后在系统管理中开启ssh服务，从第四步开始需要ssh到服务器上操作。
2. 将U盘格式化成ext2或者ext3格式。这个在linux下很容易了，如果u盘是sdb，那么mkfs.ext3 /dev/sdb1就行。windows下可以用paragon partition manager来格式化，在这里下载 http://dl.dbank.com/c0ngokvdku
3. 下载optware.rar，将里面的tar.gz完整地解压到U盘的根目录下。
http://dl.dbank.com/c0zajdjmmp
4. ssh到路由器里头去挂载U盘的相关目录。
在wl-520gu下面U盘默认挂在/mnt/disc0_1，这个可以通过df命令查看到。
然后执行以下命令（就是rar包里的setting.sh的内容）
mount -o bind /mnt/disc0_1/opt /opt
mount -o bind /mnt/disc0_1/home /home
ln -sf /mnt/disc0_1/etc/profile /etc
ln -sf /mnt/disc0_1/etc/hosts /etc
ln -sf /mnt/disc0_1/etc/ipkg.conf /etc
5. 执行一些命令
/opt/bin/ipkg update
/opt/bin/ipkg install openssh
安装完毕以后执行
openssh-ssh -D 0.0.0.0:7070 ssh主机 -l ssh帐户
输入密码后即可连接上并开启sock5 proxy。
p.s. 不要直接输入ipkg，因为tomato固件里的ipkg不太对头，optware里面的才能用。
6. 让它更好用一些
/opt/bin/ipkg install keychain
ssh-keygen -t rsa
回车几下，会生成
/root/.ssh/id_rsa.pub
将此文件中的内容copy到ssh主机里 ~/.ssh/authorized_keys 文件中，下次就不用输入密码了。
可以用“screen -dm openssh-ssh -D 0.0.0.0:7070 ssh主机 -l ssh帐户”来进行连接，这样就不必一直开着连上路由器的终端了。
如果在 系统设置->脚本管理 的“开机脚本”里头加入
((sleep 60; screen -dm openssh-ssh -D 0.0.0.0:7070 felix021@qa.felix021.com;)&);
那么只要路由器开机联网后就能自动连上。
---------------分割线----------------
目前来说用的很好，嗯。不用在本机开着ssh了，很方便。因为ssh绑定的是0.0.0.0:7070，所以理论上只要知道路由器的IP，就可以在任何能连上路由器的地方使用这个proxy。
最后，希望这篇文章不要被发到GFW Blog上，我不想我的博客被墙=。=
需要的硬件：
1. ASUS wl-520gu，带有USB口的开源无线路由器，4Mflash，16Mram，200MHz brcm5354cpu。在 http://www.nslu2-linux.org/wiki/Optware/HomePage 提到的其他应该也OK。
2. 一个普通的U盘。256MB以上。
需要的软件：
1. Linux，貌似绕不过去，总得有的。
2. tomato固件
3. optware.rar
具体步骤：
1. 刷上tomato-1.23.8619-ND-USB-简体中文版.trx，可以在这里下载： http://dl.dbank.com/c0orlm04oj
刷好后在系统管理中开启ssh服务，从第四步开始需要ssh到服务器上操作。
2. 将U盘格式化成ext2或者ext3格式。这个在linux下很容易了，如果u盘是sdb，那么mkfs.ext3 /dev/sdb1就行。windows下可以用paragon partition manager来格式化，在这里下载 http://dl.dbank.com/c0ngokvdku
3. 下载optware.rar，将里面的tar.gz完整地解压到U盘的根目录下。
http://dl.dbank.com/c0zajdjmmp
4. ssh到路由器里头去挂载U盘的相关目录。
在wl-520gu下面U盘默认挂在/mnt/disc0_1，这个可以通过df命令查看到。
然后执行以下命令（就是rar包里的setting.sh的内容）
mount -o bind /mnt/disc0_1/opt /opt
mount -o bind /mnt/disc0_1/home /home
ln -sf /mnt/disc0_1/etc/profile /etc
ln -sf /mnt/disc0_1/etc/hosts /etc
ln -sf /mnt/disc0_1/etc/ipkg.conf /etc
5. 执行一些命令
/opt/bin/ipkg update
/opt/bin/ipkg install openssh
安装完毕以后执行
openssh-ssh -D 0.0.0.0:7070 ssh主机 -l ssh帐户
输入密码后即可连接上并开启sock5 proxy。
p.s. 不要直接输入ipkg，因为tomato固件里的ipkg不太对头，optware里面的才能用。
6. 让它更好用一些
/opt/bin/ipkg install keychain
ssh-keygen -t rsa
回车几下，会生成
/root/.ssh/id_rsa.pub
将此文件中的内容copy到ssh主机里 ~/.ssh/authorized_keys 文件中，下次就不用输入密码了。
可以用“screen -dm openssh-ssh -D 0.0.0.0:7070 ssh主机 -l ssh帐户”来进行连接，这样就不必一直开着连上路由器的终端了。
如果在 系统设置->脚本管理 的“开机脚本”里头加入
((sleep 60; screen -dm openssh-ssh -D 0.0.0.0:7070 felix021@qa.felix021.com;)&);
那么只要路由器开机联网后就能自动连上。
---------------分割线----------------
目前来说用的很好，嗯。不用在本机开着ssh了，很方便。因为ssh绑定的是0.0.0.0:7070，所以理论上只要知道路由器的IP，就可以在任何能连上路由器的地方使用这个proxy。
最后，希望这篇文章不要被发到GFW Blog上，我不想我的博客被墙=。=
May
28
布隆过滤器的详细介绍和典型用途，可参见
谷歌黑板报（数学之美）：http://www.google.cn/ggblog/googlechinablog/2007/07/bloom-filter_7469.html
Wikipedia：http://en.wikipedia.org/wiki/Bloom_filter
中文版详细说明： http://www.cnblogs.com/allensun/archive/2011/02/16/1956532.html
下面是一个简单的布隆过滤器的C/C++实现，以及使用例程。使用sdbmhash字符串hash方法来进行hash。
谷歌黑板报（数学之美）：http://www.google.cn/ggblog/googlechinablog/2007/07/bloom-filter_7469.html
Wikipedia：http://en.wikipedia.org/wiki/Bloom_filter
中文版详细说明： http://www.cnblogs.com/allensun/archive/2011/02/16/1956532.html
下面是一个简单的布隆过滤器的C/C++实现，以及使用例程。使用sdbmhash字符串hash方法来进行hash。
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
unsigned int jshash(const char *s, unsigned size);
unsigned int sdbmhash(const char *s, unsigned size);
/* ------------- bloom types and funcs --------------- */
const unsigned char masks[8] = {0x01,0x02,0x04,0x08,0x10,0x20,0x40,0x80};
typedef unsigned (*hash_func_ptr)(const char *buffer, unsigned size);
struct __bloom_filter
{
unsigned n;
unsigned size;
unsigned char *bits;
hash_func_ptr hash;
};
typedef struct __bloom_filter* bloom_filter;
bloom_filter bloom_init (unsigned n, hash_func_ptr hash);
int bloom_insert(bloom_filter b, void *data, unsigned size);
int bloom_check(bloom_filter b, void *data, unsigned size);
void bloom_destroy(bloom_filter b);
/* ------------- end of bloom types and funcs --------------- */
int main()
{
const int size = 655371;
bloom_filter b1 = bloom_init(size, sdbmhash);
for (int i = 0; i < size / 2; i += 2)
{
if (!bloom_insert(b1, &i, sizeof(i)))
{
fprintf(stderr, "err insert %d\n", i);
exit(1);
}
}
printf("insert ok\n");
int cnt = 0;
for (int i = 0; i < size / 2; i++)
{
if (bloom_check(b1, &i, sizeof(i)))
{
if (i & 1)
{
//printf("i = %d should not be checked, tolerable.\n", i);
cnt++;
}
}
else
{
if (!(i & 1))
{
printf("i = %d should be checked! BUG!\n", i);
}
}
}
printf("cnt = %d\n", cnt);
return 0;
}
bloom_filter bloom_init (unsigned n, hash_func_ptr hash)
{
bloom_filter b = (bloom_filter)malloc(sizeof(__bloom_filter));
if (b == NULL)
{
fprintf(stderr, "bloom_init: err malloc bloom_filter\n");
return NULL;
}
b->n = n;
b->size = (n + 7) / 8;
b->hash = hash;
b->bits = (unsigned char *)malloc(b->size);
memset(b->bits, 0, b->size);
if (b->bits == NULL)
{
fprintf(stderr, "bloom_init: err malloc bits\n");
return NULL;
}
return b;
}
int bloom_insert(bloom_filter b, void *data, unsigned size)
{
unsigned h = b->hash((const char *)data, size) % (b->n);
unsigned idx = h / 8;
if (idx >= b->size)
{
fprintf(stderr, "bloom_insert: hash value overflow\n");
return 0;
}
b->bits[idx] |= masks[h % 8];
//printf("h = %2d, idx = %2d, bit = %2d\n", h, idx, h % 8);
return 1;
}
int bloom_check(bloom_filter b, void *data, unsigned size)
{
unsigned h = b->hash((const char *)data, size) % (b->n);
unsigned idx = h / 8;
if (idx >= b->size)
{
fprintf(stderr, "bloom_insert: hash value overflow\n");
exit(1);
}
return !!(b->bits[idx] & masks[h % 8]);
}
void bloom_destroy(bloom_filter b)
{
if (b != NULL)
{
if (b->bits != NULL)
free(b->bits);
free(b);
}
}
//-----------------------------------------------
unsigned int jshash(const char *s, unsigned size)
{
int hash = 1315423911;
unsigned len = 0;
while (len < size)
{
hash ^= (hash << 5) + s[len] + (hash >> 2);
len++;
}
return (hash & 0x7fffffffl);
}
unsigned int sdbmhash(const char *s, unsigned size)
{
int hash = 0;
unsigned len = 0;
while (len < size)
{
hash = (hash << 6) + (hash << 16) - hash + s[len];
len++;
}
return (hash & 0x7fffffffl);
}
#include <stdlib.h>
#include <string.h>
unsigned int jshash(const char *s, unsigned size);
unsigned int sdbmhash(const char *s, unsigned size);
/* ------------- bloom types and funcs --------------- */
const unsigned char masks[8] = {0x01,0x02,0x04,0x08,0x10,0x20,0x40,0x80};
typedef unsigned (*hash_func_ptr)(const char *buffer, unsigned size);
struct __bloom_filter
{
unsigned n;
unsigned size;
unsigned char *bits;
hash_func_ptr hash;
};
typedef struct __bloom_filter* bloom_filter;
bloom_filter bloom_init (unsigned n, hash_func_ptr hash);
int bloom_insert(bloom_filter b, void *data, unsigned size);
int bloom_check(bloom_filter b, void *data, unsigned size);
void bloom_destroy(bloom_filter b);
/* ------------- end of bloom types and funcs --------------- */
int main()
{
const int size = 655371;
bloom_filter b1 = bloom_init(size, sdbmhash);
for (int i = 0; i < size / 2; i += 2)
{
if (!bloom_insert(b1, &i, sizeof(i)))
{
fprintf(stderr, "err insert %d\n", i);
exit(1);
}
}
printf("insert ok\n");
int cnt = 0;
for (int i = 0; i < size / 2; i++)
{
if (bloom_check(b1, &i, sizeof(i)))
{
if (i & 1)
{
//printf("i = %d should not be checked, tolerable.\n", i);
cnt++;
}
}
else
{
if (!(i & 1))
{
printf("i = %d should be checked! BUG!\n", i);
}
}
}
printf("cnt = %d\n", cnt);
return 0;
}
bloom_filter bloom_init (unsigned n, hash_func_ptr hash)
{
bloom_filter b = (bloom_filter)malloc(sizeof(__bloom_filter));
if (b == NULL)
{
fprintf(stderr, "bloom_init: err malloc bloom_filter\n");
return NULL;
}
b->n = n;
b->size = (n + 7) / 8;
b->hash = hash;
b->bits = (unsigned char *)malloc(b->size);
memset(b->bits, 0, b->size);
if (b->bits == NULL)
{
fprintf(stderr, "bloom_init: err malloc bits\n");
return NULL;
}
return b;
}
int bloom_insert(bloom_filter b, void *data, unsigned size)
{
unsigned h = b->hash((const char *)data, size) % (b->n);
unsigned idx = h / 8;
if (idx >= b->size)
{
fprintf(stderr, "bloom_insert: hash value overflow\n");
return 0;
}
b->bits[idx] |= masks[h % 8];
//printf("h = %2d, idx = %2d, bit = %2d\n", h, idx, h % 8);
return 1;
}
int bloom_check(bloom_filter b, void *data, unsigned size)
{
unsigned h = b->hash((const char *)data, size) % (b->n);
unsigned idx = h / 8;
if (idx >= b->size)
{
fprintf(stderr, "bloom_insert: hash value overflow\n");
exit(1);
}
return !!(b->bits[idx] & masks[h % 8]);
}
void bloom_destroy(bloom_filter b)
{
if (b != NULL)
{
if (b->bits != NULL)
free(b->bits);
free(b);
}
}
//-----------------------------------------------
unsigned int jshash(const char *s, unsigned size)
{
int hash = 1315423911;
unsigned len = 0;
while (len < size)
{
hash ^= (hash << 5) + s[len] + (hash >> 2);
len++;
}
return (hash & 0x7fffffffl);
}
unsigned int sdbmhash(const char *s, unsigned size)
{
int hash = 0;
unsigned len = 0;
while (len < size)
{
hash = (hash << 6) + (hash << 16) - hash + s[len];
len++;
}
return (hash & 0x7fffffffl);
}
May
14
epoll相关代码出自“man epoll”。发现在网上找相关代码还有点麻烦。
p.s. 推荐 apt-get source libevent 找找里面的 epoll.c 文件里的相关实现。
这里有另一个很详细的说明： https://banu.com/blog/2/how-to-use-epoll-a-complete-example-in-c/
p.s. 推荐 apt-get source libevent 找找里面的 epoll.c 文件里的相关实现。
#include <stdio.h>
#include <stdlib.h>
#include <errno.h>
#include <string.h>
#include <unistd.h>
#include <fcntl.h>
#include <sys/types.h>
#include <arpa/inet.h>
#include <netinet/in.h>
#include <sys/socket.h>
#include <sys/epoll.h>
#include <sys/wait.h>
#define SERVPORT 9527 /*服务器监听端口号 */
#define BACKLOG 10 /* 最大同时连接请求数 */
void setnonblocking(int sock)
{
int opts;
opts = fcntl(sock,F_GETFL);
if(opts<0)
{
perror("fcntl(sock,GETFL)");
exit(1);
}
opts = opts|O_NONBLOCK;
if(fcntl(sock,F_SETFL,opts)<0)
{
perror("fcntl(sock,SETFL,opts)");
exit(1);
}
}
void do_use_fd(int client_fd)
{
const char str[] = "God bless you!\n";
if (send(client_fd, str, sizeof(str), 0) == -1)
perror("send");
close(client_fd);
}
int main()
{
int sockfd;
struct sockaddr_in my_addr;
struct sockaddr_in remote_addr;
if ((sockfd = socket(AF_INET, SOCK_STREAM, 0)) == -1) {
perror("socket");
exit(1);
}
my_addr.sin_family = AF_INET;
my_addr.sin_port = htons(SERVPORT);
my_addr.sin_addr.s_addr = INADDR_ANY;
bzero(&(my_addr.sin_zero), 8);
if (bind(sockfd, (struct sockaddr *)&my_addr, sizeof(struct sockaddr)) == -1) {
perror("bind");
exit(1);
}
printf("bind ok\n");
if (listen(sockfd, BACKLOG) == -1) {
perror("listen");
exit(1);
}
printf("listen ok\b");
size_t sin_size = sizeof(struct sockaddr_in);
#define MAX_EVENTS 10
struct epoll_event ev, events[MAX_EVENTS];
int conn_sock, nfds, epollfd;
epollfd = epoll_create(10);
if (epollfd == -1) {
perror("epoll_create");
exit(EXIT_FAILURE);
}
printf("epoll_create\n");
ev.events = EPOLLIN;
ev.data.fd = sockfd;
if (epoll_ctl(epollfd, EPOLL_CTL_ADD, sockfd, &ev) == -1) {
perror("epoll_ctl: sockfd");
exit(EXIT_FAILURE);
}
printf("epoll_ctl ok\n");
for (;;) {
printf("start epoll_wait\n");
nfds = epoll_wait(epollfd, events, MAX_EVENTS, -1);
if (nfds == -1) {
perror("epoll_pwait");
exit(EXIT_FAILURE);
}
printf("epoll_wait returns, nfds = %d\n", nfds);
for (int n = 0; n < nfds; ++n) {
if (events[n].data.fd == sockfd) {
conn_sock = accept(sockfd,
(struct sockaddr *) &remote_addr, &sin_size);
if (conn_sock == -1) {
perror("accept");
exit(EXIT_FAILURE);
}
setnonblocking(conn_sock);
ev.events = EPOLLIN | EPOLLET;
ev.data.fd = conn_sock;
if (epoll_ctl(epollfd, EPOLL_CTL_ADD, conn_sock,
&ev) == -1) {
perror("epoll_ctl: conn_sock");
exit(EXIT_FAILURE);
}
} else {
do_use_fd(events[n].data.fd);
}
}
}
}
#include <stdlib.h>
#include <errno.h>
#include <string.h>
#include <unistd.h>
#include <fcntl.h>
#include <sys/types.h>
#include <arpa/inet.h>
#include <netinet/in.h>
#include <sys/socket.h>
#include <sys/epoll.h>
#include <sys/wait.h>
#define SERVPORT 9527 /*服务器监听端口号 */
#define BACKLOG 10 /* 最大同时连接请求数 */
void setnonblocking(int sock)
{
int opts;
opts = fcntl(sock,F_GETFL);
if(opts<0)
{
perror("fcntl(sock,GETFL)");
exit(1);
}
opts = opts|O_NONBLOCK;
if(fcntl(sock,F_SETFL,opts)<0)
{
perror("fcntl(sock,SETFL,opts)");
exit(1);
}
}
void do_use_fd(int client_fd)
{
const char str[] = "God bless you!\n";
if (send(client_fd, str, sizeof(str), 0) == -1)
perror("send");
close(client_fd);
}
int main()
{
int sockfd;
struct sockaddr_in my_addr;
struct sockaddr_in remote_addr;
if ((sockfd = socket(AF_INET, SOCK_STREAM, 0)) == -1) {
perror("socket");
exit(1);
}
my_addr.sin_family = AF_INET;
my_addr.sin_port = htons(SERVPORT);
my_addr.sin_addr.s_addr = INADDR_ANY;
bzero(&(my_addr.sin_zero), 8);
if (bind(sockfd, (struct sockaddr *)&my_addr, sizeof(struct sockaddr)) == -1) {
perror("bind");
exit(1);
}
printf("bind ok\n");
if (listen(sockfd, BACKLOG) == -1) {
perror("listen");
exit(1);
}
printf("listen ok\b");
size_t sin_size = sizeof(struct sockaddr_in);
#define MAX_EVENTS 10
struct epoll_event ev, events[MAX_EVENTS];
int conn_sock, nfds, epollfd;
epollfd = epoll_create(10);
if (epollfd == -1) {
perror("epoll_create");
exit(EXIT_FAILURE);
}
printf("epoll_create\n");
ev.events = EPOLLIN;
ev.data.fd = sockfd;
if (epoll_ctl(epollfd, EPOLL_CTL_ADD, sockfd, &ev) == -1) {
perror("epoll_ctl: sockfd");
exit(EXIT_FAILURE);
}
printf("epoll_ctl ok\n");
for (;;) {
printf("start epoll_wait\n");
nfds = epoll_wait(epollfd, events, MAX_EVENTS, -1);
if (nfds == -1) {
perror("epoll_pwait");
exit(EXIT_FAILURE);
}
printf("epoll_wait returns, nfds = %d\n", nfds);
for (int n = 0; n < nfds; ++n) {
if (events[n].data.fd == sockfd) {
conn_sock = accept(sockfd,
(struct sockaddr *) &remote_addr, &sin_size);
if (conn_sock == -1) {
perror("accept");
exit(EXIT_FAILURE);
}
setnonblocking(conn_sock);
ev.events = EPOLLIN | EPOLLET;
ev.data.fd = conn_sock;
if (epoll_ctl(epollfd, EPOLL_CTL_ADD, conn_sock,
&ev) == -1) {
perror("epoll_ctl: conn_sock");
exit(EXIT_FAILURE);
}
} else {
do_use_fd(events[n].data.fd);
}
}
}
}
这里有另一个很详细的说明： https://banu.com/blog/2/how-to-use-epoll-a-complete-example-in-c/
May
10
boluor推荐给我的。难得有这么完整地总结大规模数据处理题目的文章，一定要收藏下来。
zz from http://www.douban.com/note/52434859/
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。
问题实例：
1).海量日志数据，提取出某日访问百度次数最多的那个IP。
IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。
3.bit-map
适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下
基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码
扩展：bloom filter可以看做是对bit-map的扩展
问题实例：
1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。
8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。
2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。
4.堆
适用范围：海量数据前n大，并且n比较小，堆可以放入内存
基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。
扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。
问题实例：
1)100w个数中找最大的前100个数。
用一个100个元素大小的最小堆即可。
5.双层桶划分
适用范围：第k大，中位数，不重复或重复的数字
基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。
扩展：
问题实例：
1).2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。
2).5亿个int找它们的中位数。
这个例子比上面那个更明显。首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。
6.数据库索引
适用范围：大数据量的增删改查
基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。
扩展：
问题实例：
7.倒排索引(Inverted index)
适用范围：搜索引擎，关键字查询
基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。
以英文为例，下面是要被索引的文本：
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我们就能得到下面的反向文件索引：
"a": {2}
"banana": {2}
"is": {0, 1, 2}
"it": {0, 1, 2}
"what": {0, 1}
检索的条件"what", "is" 和 "it" 将对应集合的交集。
正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。
扩展：
问题实例：文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。
8.外排序
适用范围：大数据的排序，去重
基本原理及要点：外排序的归并方法，置换选择 败者树原理，最优归并树
扩展：
问题实例：
1).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个字节，内存限制大小是1M。返回频数最高的100个词。
这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。内存可以当输入缓冲区使用。
9.trie树
适用范围：数据量大，重复多，但是数据种类小可以放入内存
基本原理及要点：实现方式，节点孩子的表示方式
扩展：压缩实现。
问题实例：
1).有10个文件，每个文件1G，每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。要你按照query的频度排序 。
2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。请问怎么设计和实现？
3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。
10.分布式处理 mapreduce
适用范围：数据量大，但是数据种类小可以放入内存
基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。
扩展：
问题实例：
1).The canonical example application of MapReduce is a process to count the appearances of
each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void reduce(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Reduce, thus this function just needs to
sum all of its input values to find the total appearances of that word.
2).海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。
3).一共有N个机器，每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)？
经典问题分析
上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入内存，不可一次读入。
可用思路：trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序
所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。
如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。
当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。
实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围。
而外排序的方法会消耗大量的IO，效率不会很高。而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存。
zz from http://www.douban.com/note/52434859/
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。
问题实例：
1).海量日志数据，提取出某日访问百度次数最多的那个IP。
IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。
3.bit-map
适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下
基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码
扩展：bloom filter可以看做是对bit-map的扩展
问题实例：
1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。
8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。
2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。
4.堆
适用范围：海量数据前n大，并且n比较小，堆可以放入内存
基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。
扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。
问题实例：
1)100w个数中找最大的前100个数。
用一个100个元素大小的最小堆即可。
5.双层桶划分
适用范围：第k大，中位数，不重复或重复的数字
基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。
扩展：
问题实例：
1).2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。
2).5亿个int找它们的中位数。
这个例子比上面那个更明显。首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。
6.数据库索引
适用范围：大数据量的增删改查
基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。
扩展：
问题实例：
7.倒排索引(Inverted index)
适用范围：搜索引擎，关键字查询
基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。
以英文为例，下面是要被索引的文本：
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我们就能得到下面的反向文件索引：
"a": {2}
"banana": {2}
"is": {0, 1, 2}
"it": {0, 1, 2}
"what": {0, 1}
检索的条件"what", "is" 和 "it" 将对应集合的交集。
正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。
扩展：
问题实例：文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。
8.外排序
适用范围：大数据的排序，去重
基本原理及要点：外排序的归并方法，置换选择 败者树原理，最优归并树
扩展：
问题实例：
1).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个字节，内存限制大小是1M。返回频数最高的100个词。
这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。内存可以当输入缓冲区使用。
9.trie树
适用范围：数据量大，重复多，但是数据种类小可以放入内存
基本原理及要点：实现方式，节点孩子的表示方式
扩展：压缩实现。
问题实例：
1).有10个文件，每个文件1G，每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。要你按照query的频度排序 。
2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。请问怎么设计和实现？
3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。
10.分布式处理 mapreduce
适用范围：数据量大，但是数据种类小可以放入内存
基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。
扩展：
问题实例：
1).The canonical example application of MapReduce is a process to count the appearances of
each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void reduce(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Reduce, thus this function just needs to
sum all of its input values to find the total appearances of that word.
2).海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。
3).一共有N个机器，每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)？
经典问题分析
上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入内存，不可一次读入。
可用思路：trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序
所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。
如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。
当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。
实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围。
而外排序的方法会消耗大量的IO，效率不会很高。而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存。
Apr
26
由于是报名截止前两个小时才想起去注册的，于是赶紧先注册了队伍，顺手就把Land填上去了。
然后再给Eire打电话，问他有没有参加，是不是要参加，才把他的信息要了补充进去，嗯。
早上一觉睡到12点十几，随便买了点东西赶过去，然后才发现没有拿筷子- - 抑郁
比赛8题，于是我看前ABCD，Eire负责EFGH。看完以后觉得ABF比较有搞头，虽然A题6min就有人出了。因为Eire考研也很久了，对概率论没啥印象了，我就更没印象了，因此先搞F，一个简单的BFS。
Eire很快就写完了，通过测试样例，准备提交，我说等等，测一下19 0 0，然后果断RE。检查了一下，发现是BFS实现的小错误，先搜索后标记，导致重复搜索，栈溢出。修正以后Eire又提出了其他几组简单的测试数据，比如只有一个点等。提了Clar，但是Judge的回复很无厘头，导致我们对题意完全无法理解。
其间我仔细看了G题和A题。对G题推导出了模拟方式，其实就是把所有的格子从后往前，从下往上，从左往右依次画上去就行了，并推出了格子坐标的计算公式；对于A题，虽然没想出靠谱的计算方式，但是发现了一个暴力解法。
由于F题被Judge搞抑郁了，1h30m的时候决定开始写A题，通过开一个50,000*40的数组暴力了30个数据打表，几经修正，提交，2h的时候AC。
因为需要去参加tx的面试，于是先闪人。其后大约一个小时的时间里，Eire根据我的思路把G题大致实现了，我3h的时候赶回来坐下两分钟，就得到了第二个气球。
然后发挥在校赛时锲而不舍的精神继续诘问Judge，迫使judge无奈地返回一个sorry，然后再问其他曾经返回错误的Clar，于是一切明朗。把1多小时前的那段代码叫上去，AC。
剩下的半个多小时看B题。写了一些F(N, P)的公式，但是写着写着发现错了。后来跟Eire又讨论了一下，改完只有不到2min了，还没测就赶紧先提交了，结果不小心交到F题- -| 再准备提交，就已经STOP了，悲痛欲绝啊。然后测了一下，发现还是WA =。= 作罢。
-----分割线-----
总的来说这次比赛的题目不难，如果Judge没有搞出那点事情、中途没有离开一个小时去面试，那么我们做出4题的概率还是比较高的，尤其是B题已经有比较成熟的想法了。不过另一方面也暴露出我和Eire对校赛那个质数题的不重视，如果校赛之后能把那题搞出来，这次就铁定四题了，挺遗憾的。
不过就像每次比赛一样，我的参赛主旨总是开心第一，成绩第二，虽然最后在Rank6可能还没有奖金甚至名次（国软也太抠门了吧。。。），但是能够有机会参加这个曾经帮了一年、参加了一年的比赛，还是很开心的，尤其是和老队友（3年半了！）Eire组队，每次都很开心:)
最后，希望WHUACM能够走得更远，够好。
然后再给Eire打电话，问他有没有参加，是不是要参加，才把他的信息要了补充进去，嗯。
早上一觉睡到12点十几，随便买了点东西赶过去，然后才发现没有拿筷子- - 抑郁
比赛8题，于是我看前ABCD，Eire负责EFGH。看完以后觉得ABF比较有搞头，虽然A题6min就有人出了。因为Eire考研也很久了，对概率论没啥印象了，我就更没印象了，因此先搞F，一个简单的BFS。
Eire很快就写完了，通过测试样例，准备提交，我说等等，测一下19 0 0，然后果断RE。检查了一下，发现是BFS实现的小错误，先搜索后标记，导致重复搜索，栈溢出。修正以后Eire又提出了其他几组简单的测试数据，比如只有一个点等。提了Clar，但是Judge的回复很无厘头，导致我们对题意完全无法理解。
其间我仔细看了G题和A题。对G题推导出了模拟方式，其实就是把所有的格子从后往前，从下往上，从左往右依次画上去就行了，并推出了格子坐标的计算公式；对于A题，虽然没想出靠谱的计算方式，但是发现了一个暴力解法。
由于F题被Judge搞抑郁了，1h30m的时候决定开始写A题，通过开一个50,000*40的数组暴力了30个数据打表，几经修正，提交，2h的时候AC。
因为需要去参加tx的面试，于是先闪人。其后大约一个小时的时间里，Eire根据我的思路把G题大致实现了，我3h的时候赶回来坐下两分钟，就得到了第二个气球。
然后发挥在校赛时锲而不舍的精神继续诘问Judge，迫使judge无奈地返回一个sorry，然后再问其他曾经返回错误的Clar，于是一切明朗。把1多小时前的那段代码叫上去，AC。
剩下的半个多小时看B题。写了一些F(N, P)的公式，但是写着写着发现错了。后来跟Eire又讨论了一下，改完只有不到2min了，还没测就赶紧先提交了，结果不小心交到F题- -| 再准备提交，就已经STOP了，悲痛欲绝啊。然后测了一下，发现还是WA =。= 作罢。
-----分割线-----
总的来说这次比赛的题目不难，如果Judge没有搞出那点事情、中途没有离开一个小时去面试，那么我们做出4题的概率还是比较高的，尤其是B题已经有比较成熟的想法了。不过另一方面也暴露出我和Eire对校赛那个质数题的不重视，如果校赛之后能把那题搞出来，这次就铁定四题了，挺遗憾的。
不过就像每次比赛一样，我的参赛主旨总是开心第一，成绩第二，虽然最后在Rank6可能还没有奖金甚至名次（国软也太抠门了吧。。。），但是能够有机会参加这个曾经帮了一年、参加了一年的比赛，还是很开心的，尤其是和老队友（3年半了！）Eire组队，每次都很开心:)
最后，希望WHUACM能够走得更远，够好。
Apr
18
由于开学以来一直在开发我们的WOJ-Land，所以组队的时候起名就直接用了Land，两个队友还是很支持的，嗯。。
预赛的时候，由于回老家扫墓，只能和两位队友异地交流做题，非常遗憾，而且由于没有什么会做的，也没能帮上忙。
不过还好校内队伍门槛低，虽然排名119，还是进了决赛:D
昨天的练习赛，也一样没啥会的，只能帮忙DEBUG，而且最后还是因为算法错，只AC了最简单那题。
今天的决赛就更囧了。7点45的闹钟，摁掉继续睡到8点10分，然后急急忙忙赶到现场，wcb同学更杯具地把手机扔厕所里了，还好都有惊无险及时赶到。开赛后按3，3，4分题给zhf、wcb和我，分别看题。同时强烈关注board，期望有个明星队伍赶紧出个简单题让我们能跟上，结果发现盯到了30+min才有人出题，Orz出题那帮家伙。
然后发现里面所有的题目里面，有思路的就只有A题：计算器模拟。大致列了一下，然后上去写。最初是用一堆flag来记录状态，发现写着写着就乱的一塌糊涂了。期间wcb看了E题麻将，觉得可写。于是打印代码，换wcb上去写。然后重新构思了一下题目的算法，在找到一个很清晰的思路，于是趁着wcb的E题卡住的时段继续写A。很快写完，然后对着PC^2里面所有关于A题的Clar测试自己的代码，修正了N多错误。提交，WA。修正，提交Wa....甚至还搞个随机生成数据的程序来测试....
于是再换wcb，我和zhf则去考虑其他的题目。中间还看了B题，看错题意，误导zhf跟我一起很happy地分析，然后提交，WA。时间如流水哗啦啦，突然发现已经封board了。wcb的E题几经修改，终于提交了，WA。 检查后发现，多输出了个\b呢。然后wcb说，他想用\b来删除行末的空格
改了再提交又WA，因为行末空格还是没有处理....终于在封board 8min以后，AC了这道题。
然后本来想在考虑考虑B题的，虽然有些头绪，但是离结论还远。于是zhf建议继续搞A题。在反复地测试了n个数据以后突然灵光一闪，会不会有空行捏？于是提交了一个Clar, will there be an empty line as case input? XE的Judge回复，"No response. Read the problem statement"，我怒啊，再提 "Only 'less than 100' is provided, no proof that can be or can not be of length 0'。XE的Judge(后来才知道是加菲)继续忽悠我, "What do you mean?"。于是我锲而不舍地提第三个Clar，Judge才被迫无奈地说，Perhaps。于是马上改，测试，提交。这个时候离比赛只有12min的时间了，在Land队到了最危险的时候，我们被迫着发出最后的吼声：来个球！于是真的就来了个球.....然后我们很happy地向气球mm打招呼表示欢迎，但是她不鸟我们=。=
然后也没什么好想的了，收拾东西，等待比赛结束......
这场比赛真是有惊无险，到封board的时候还一直没有出题，我甚至一度以为我们队出不了题了，超囧。不过还好，在我们的坚持下，中算是A了2题，保住了校内的铜奖~~~
回头想想，觉得比赛的时候，尤其是对于实力不很强的队伍，有几点还是很值得注意的
1. 保持良好的心态
整个比赛过程中我们都没有太急躁的表现，做题气氛一直很好，就算是WA了好几次，也没有太大影响。这对最后一个小时的表现影响是很大的。
2. 坚持
赛后momo在群里点名批评了cw同学，说他从来没有坚持完一场比赛。也许是OI后遗症吧，但是对于希望参与ACM赛事的队员/队伍，把一场赛事坚持下来，应该是个最基本的要求。今天比赛结束即将的时候还有一支队伍A题，狂喜拥抱，以至路过围观的不明真相的群众都被感动得纷纷鼓掌。
3. 适度的自信
对于每个人，都有些题目可做，有些题目不可做。坚持自己可做的题目，放弃自己不可做的题目。虽然过A题的队伍很少，但是还好最后我们没有放弃A题，才终于能出。
4. 写题前的基本准备
把自己的思路写一写，尤其是要和队友说清楚。如果没能说清楚就开始写，很可能会导致写的时候卡住，然后发现算法不对，或者代码混乱.....这个可能主要是在说我自己，嗯。
最后，觉得自己最近OJ写了这么久，思考问题也相对周全了不少，才能把A题写出来，甚至发现A题数据中可能存在的trick。
OVER.
预赛的时候，由于回老家扫墓，只能和两位队友异地交流做题，非常遗憾，而且由于没有什么会做的，也没能帮上忙。
不过还好校内队伍门槛低，虽然排名119，还是进了决赛:D
昨天的练习赛，也一样没啥会的，只能帮忙DEBUG，而且最后还是因为算法错，只AC了最简单那题。
今天的决赛就更囧了。7点45的闹钟，摁掉继续睡到8点10分，然后急急忙忙赶到现场，wcb同学更杯具地把手机扔厕所里了，还好都有惊无险及时赶到。开赛后按3，3，4分题给zhf、wcb和我，分别看题。同时强烈关注board，期望有个明星队伍赶紧出个简单题让我们能跟上，结果发现盯到了30+min才有人出题，Orz出题那帮家伙。
然后发现里面所有的题目里面，有思路的就只有A题：计算器模拟。大致列了一下，然后上去写。最初是用一堆flag来记录状态，发现写着写着就乱的一塌糊涂了。期间wcb看了E题麻将，觉得可写。于是打印代码，换wcb上去写。然后重新构思了一下题目的算法，在找到一个很清晰的思路，于是趁着wcb的E题卡住的时段继续写A。很快写完，然后对着PC^2里面所有关于A题的Clar测试自己的代码，修正了N多错误。提交，WA。修正，提交Wa....甚至还搞个随机生成数据的程序来测试....
于是再换wcb，我和zhf则去考虑其他的题目。中间还看了B题，看错题意，误导zhf跟我一起很happy地分析，然后提交，WA。时间如流水哗啦啦，突然发现已经封board了。wcb的E题几经修改，终于提交了，WA。 检查后发现，多输出了个\b呢。然后wcb说，他想用\b来删除行末的空格
改了再提交又WA，因为行末空格还是没有处理....终于在封board 8min以后，AC了这道题。
然后本来想在考虑考虑B题的，虽然有些头绪，但是离结论还远。于是zhf建议继续搞A题。在反复地测试了n个数据以后突然灵光一闪，会不会有空行捏？于是提交了一个Clar, will there be an empty line as case input? XE的Judge回复，"No response. Read the problem statement"，我怒啊，再提 "Only 'less than 100' is provided, no proof that can be or can not be of length 0'。XE的Judge(后来才知道是加菲)继续忽悠我, "What do you mean?"。于是我锲而不舍地提第三个Clar，Judge才被迫无奈地说，Perhaps。于是马上改，测试，提交。这个时候离比赛只有12min的时间了，在Land队到了最危险的时候，我们被迫着发出最后的吼声：来个球！于是真的就来了个球.....然后我们很happy地向气球mm打招呼表示欢迎，但是她不鸟我们=。=
然后也没什么好想的了，收拾东西，等待比赛结束......
这场比赛真是有惊无险，到封board的时候还一直没有出题，我甚至一度以为我们队出不了题了，超囧。不过还好，在我们的坚持下，中算是A了2题，保住了校内的铜奖~~~
回头想想，觉得比赛的时候，尤其是对于实力不很强的队伍，有几点还是很值得注意的
1. 保持良好的心态
整个比赛过程中我们都没有太急躁的表现，做题气氛一直很好，就算是WA了好几次，也没有太大影响。这对最后一个小时的表现影响是很大的。
2. 坚持
赛后momo在群里点名批评了cw同学，说他从来没有坚持完一场比赛。也许是OI后遗症吧，但是对于希望参与ACM赛事的队员/队伍，把一场赛事坚持下来，应该是个最基本的要求。今天比赛结束即将的时候还有一支队伍A题，狂喜拥抱，以至路过围观的不明真相的群众都被感动得纷纷鼓掌。
3. 适度的自信
对于每个人，都有些题目可做，有些题目不可做。坚持自己可做的题目，放弃自己不可做的题目。虽然过A题的队伍很少，但是还好最后我们没有放弃A题，才终于能出。
4. 写题前的基本准备
把自己的思路写一写，尤其是要和队友说清楚。如果没能说清楚就开始写，很可能会导致写的时候卡住，然后发现算法不对，或者代码混乱.....这个可能主要是在说我自己，嗯。
最后，觉得自己最近OJ写了这么久，思考问题也相对周全了不少，才能把A题写出来，甚至发现A题数据中可能存在的trick。
OVER.
Mar
29
@2010-10-30 建議看 加強版： http://www.felix021.com/blog/read.php?1921
用VirtualBox在Windows上搭建一个Ubuntu工作站
目标
1. 没有多余窗口
2. Ubuntu少占资源
3. Ubuntu可以上外网
4. 可以ssh连上去搞开发
实现
1. 在Vbox上安装一个Ubuntu
2. 整两个网卡，一个host-only，一个NAT。
3. 安装好ssh-server
4. 如果有gdm(desktop/alternative)，干掉 sudo update-rc.d -f gdm remove; cd /etc/X11/，在default-display-manager的第一行(gdm)前加个#注释掉
5. 编译这个东西，可执行程序放到program files\sun\virtualbox\下面，比如叫做startvm
7. 打开SecureCRT连上去干活吧
8. 可以使用VBoxManage controlvm "虚拟机名" start|poweroff|pause|resume|savestate...等来控制虚拟机的运行状态
其他
1. 如果需要开机自启动，稍微改改这个程序或者搞个bat扔到startup里面去，或者干脆注册一个服务。
用VirtualBox在Windows上搭建一个Ubuntu工作站
目标
1. 没有多余窗口
2. Ubuntu少占资源
3. Ubuntu可以上外网
4. 可以ssh连上去搞开发
实现
1. 在Vbox上安装一个Ubuntu
2. 整两个网卡，一个host-only，一个NAT。
3. 安装好ssh-server
4. 如果有gdm(desktop/alternative)，干掉 sudo update-rc.d -f gdm remove; cd /etc/X11/，在default-display-manager的第一行(gdm)前加个#注释掉
5. 编译这个东西，可执行程序放到program files\sun\virtualbox\下面，比如叫做startvm
#include <iostream>
#include <windows.h>
using namespace std;
int main(int argc, char * argv[])
{
string param = string(" -startvm ") + argv[1];
ShellExecute(NULL, "open",
"vboxheadless", param.c_str(),
"c:", SW_HIDE); //使用SW_HIDE就不会看到vboxheadless的命令行窗口了
return 0;
}
6. 运行 startvm "虚拟机名" #include <windows.h>
using namespace std;
int main(int argc, char * argv[])
{
string param = string(" -startvm ") + argv[1];
ShellExecute(NULL, "open",
"vboxheadless", param.c_str(),
"c:", SW_HIDE); //使用SW_HIDE就不会看到vboxheadless的命令行窗口了
return 0;
}
7. 打开SecureCRT连上去干活吧
8. 可以使用VBoxManage controlvm "虚拟机名" start|poweroff|pause|resume|savestate...等来控制虚拟机的运行状态
其他
1. 如果需要开机自启动，稍微改改这个程序或者搞个bat扔到startup里面去，或者干脆注册一个服务。
