海量数据处理算法（top K问题）

Posted 2020-12-03 foxy

举例

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。

思路

• 首先把文件分开
• 针对每个文件hash遍历，统计每个词语的频率
• 使用堆进行遍历
• 把堆归并起来

具体的方案

1.分治： 
顺序读文件中，对于每个词c，取hash(c)%2000，然后按照该值存到2000个小文件中。这样每个文件大概是500k左右。

注意：

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，直到分解得到的小文件的大小都不超过1M。

2.hash遍历： 
对每个小文件，用hash的方式统计每个文件中出现的词以及相应的频率

3.堆遍历： 
用 最小堆取出出现频率最大的100个词，并把100个词及相应的频率存入文件，这样又得到了5000个文件。

4.归并整合

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。