海量数据处理

有20亿个数，给定内存大小为1G，求中位数

首先求中位数，其实就是求topK，比如此题就是求top 20G/2（1亿个int占用512M内存，10亿个字节占1G内存，要记住）。
如果内存能存下这么多数，直接用一个大小为20G/2的堆就可以。另外求topK时，有个窍门：求最大topK，先建一个最小堆，然后所有大于根节点的值，替换根节点并调平衡；求最小topK，先建一个最大堆，然后将比根节点小的值插入堆。
此题内存存不下这么多数，可以这么做：
先建一个最大堆，大小为1G（内存大小），先求出第1G大的数（即堆的根节点），然后再以此值作为堆的根节点建堆，求出第2G大的数，依次类推，直到求出第5G大的数即为所求。每次建堆并求最大值的时间复杂度为nlogk，一共需要建5次堆。

处理海量数据思路

1.分而治之/hash映射 + hashmap/trie统计 + 堆排序 + 归并

2.bitmap/bloom filter

3.多层划分

例题

1.海量日志数据，提取出某日访问百度次数最多的那个IP

2.寻找热门查询，300万个查询字符串中统计最热门的10个查询

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

4. 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

5.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

6.1000万字符串，其中有些是重复的，需要把重复的全部去掉，保留没有重复的字符串。请怎么设计和实现？

1. 给40亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中？

2.在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数

3.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，如果是多个文件呢？

1. 5亿个int找它们的中位数。

参考：
https://blog.csdn.net/v_july_v/article/details/7382693