多机求海量数据的中位数和topK的问题

Top K 问题

在大规模数据处理中，经常会遇到的一类问题：在海量数据中找出出现频率最好的前k个数，或者从海量数据中找出最大的前k个数，这类问题通常被称为top K问题

---

如何在100亿数据中找到最大的1000个数

最容易想到的就是将数据全排序，但是效率太低了，对于海量数据处理并不合适。

一、构建堆

用构建堆。（找1000个最大的数，构建最小堆）找1000个最小的数构建最大堆

我们知道完全二叉树有几个非常重要的特性，就是假如该二叉树中总共有N个节点，那么该二叉树的深度就是log2N，

对于小顶堆来说移动根元素到 底部或者移动底部元素到根部只需要log2N，相比N来说时间复杂度优化太多了（1亿的logN值是26-27的一个浮点数）

具体思路：先从文件中取出1000个元素构建一个最小堆数组（O（log 1000）），然后对剩下的100亿-1000个数字m进行遍历,如果当前元素大于 最小堆的堆顶，

就是K【0】元素，就用m取代k【0】，对新的数组从新构建小根堆。遍历结束，这个最小堆就是要找的数。

时间复杂度：O（(100亿 - 1000)log 1000） 就是O((N-M)logM)， 空间复杂度M

这个算法优点是性能尚可，空间复杂度低，IO读取比较频繁，对系统压力大。

二、分治法 即大数据里最常用的MapReduce。a、将100亿个数据分为1000个大分区，每个区1000万个数据

二级分区

b、每个大分区再细分成100个小分区。总共就有1000*100=10万个分区

c、计算每个小分区上最大的1000个数

d、合并每个大分区细分出来的小分区。每个大分区有100个小分区，我们已经找出了每个小分区的前1000个数。将这100个分区的1000*100个数合并，找出每个大分区的前1000个数。

e、合并大分区。我们有1000个大分区，上一步已找出每个大分区的前1000个数。我们将这1000*1000个数合并，找出前1000.这1000个数就是所有数据中最大的1000个数

（a、b、c为map阶段，d、e为reduce阶段）

三、Hash法。

如果这1亿个书里面有很多重复的数，先通过Hash法，把这1亿个数字去重复，这样如果重复率很高的话，会减少很大的内存用量，从而缩小运算空间，

然后通过分治法或最小堆法查找最大的10000个数。