海量数据处理问题！

假如有一个1G大小的文件，文件里每一行是一个词，每个词的大小不超过1Byte，要求返回出现频率最高的100个词。

内存大小限制是10M。

由于内存限制，无法直接将大文件的所有词一次性读到内存中。

可以采用分治策略，把一个大文件分解成多个小文件，保证每个文件的大小小于10M。

  • 进而直接将单个小文件读取到内存中进行处理。

第一步

首先遍历大文件，对遍历到的每个词x，执行 hash(x) % 500。

将结果为i的词存放到文件f(i)中，遍历结束后，可以得到500个小文件，每个小文件的大小为2M左右。

第二步

接着统计每个小文件中出现频数最高的100个词，可以使用HashMap来实现，其中key为词，value为该词出现的频率。

  • 对于遍历到的词x，如果在map中不存在，则执行 map.put(x, 1)。
  • 若存在，则执行 map.put(x, map.get(x)+1)，将该词出现的次数加1。

第三步

在第二步中找出了每个文件出现频率最高的100个词之后，通过维护一个小顶堆来找出所有小文件中出现频率最高的100个词。

  • 遍历第一个文件，把第一个文件中出现频率最高的100个词构建成一个小顶堆。

  • 如果第一个文件中词的个数小于100，可以继续遍历第二个文件，直到构建好有100个结点的小顶堆为止。

  • 继续遍历其他小文件，如果遍历到的词的出现次数大于堆顶上词的出现次数。

  • 可以用新遍历到的词替换堆顶的词，然后重新调整这个堆为小顶堆。

  • 当遍历完所有小文件后，这个小顶堆中的词就是出现频率最高的100个词。

主要思路如下：

采用分治的思想，进行哈希取余。

使用HashMap统计每个小文件单词出现的次数。

使用小顶堆，遍历步骤2中的小文件，找出词频Top100的单词。