100亿个数字中找出最大的10个

100亿个数字找出最大的10个

类似：

微信10亿用户中，获取红包最多的前100用户：

1、首先一点，对于海量数据处理，思路基本上是：必须分块处理，然后再合并起来。

2、对于每一块必须找出10个最大的数，因为第一块中10个最大数中的最小的，可能比第二块中10最大数中的最大的还要大。

3、分块处理，再合并。也就是Google MapReduce 的基本思想。Google有很多的服务器，每个服务器又有很多的CPU，因此，100亿个数分成100块，每个服务器处理一块，1亿个数分成100块，每个CPU处理一块。然后再从下往上合并。注意：分块的时候，要保证块与块之间独立，没有依赖关系，否则不能完全并行处理，线程之间要互斥。另外一点，分块处理过程中，不要有副作用，也就是不要修改原数据，否则下次计算结果就不一样了。

4、上面讲了，对于海量数据，使用多个服务器，多个CPU可以并行，显著提高效率。对于单个服务器，单个CPU有没有意义呢？

　　也有很大的意义。如果不分块，相当于对100亿个数字遍历，作比较。这中间存在大量的没有必要的比较。可以举个例子说明，全校高一有100个班，我想找出全校前10名的同学，很傻的办法就是，把高一100个班的同学成绩都取出来，作比较，这个比较数据量太大了。应该很容易想到，班里的第11名，不可能是全校的前10名。也就是说，不是班里的前10名，就不可能是全校的前10名。因此，只需要把每个班里的前10取出来，作比较就行了，这样比较的数据量就大大地减少了。

      想法：：先把数据平均分到1000个节点上，每个节点上1000w数据，先扫描一遍数据，找出数据的最大最小值，然后平均分成1w个区间, 再扫一遍数据，获得数据分布的直方图。然后从取值最大的区间开始往后扫，如果第一个区间里面已经有1000+的数据，则停止；否则继续扫下一个区间，直到找到1000+的数据。当然，如果有一个区间里面数据特别多，可以对这个区间进一步细分，计算出该区间的子直方图，使用同样的方法扫数据。最后输出的结果应该是所有数据加上最大和最小值。这个阶段就是map阶段。
这些数据汇聚起来之后，应该会剩下差不多十几或者几十万数据，可以单机计算了，也就是reduce阶段。对汇聚的数据进行处理时，可以先用最大最小值进行区间比较，提高效率。当然，也可以直接用最大堆算法进行处理。

另外，如果剩下的数据较多，比如说100w+，可以重复上面的map方法，只要保证分到每个节点上的数据大于1000就行。

如果需要多次map处理，最好用spark的流式处理，hadoop比较适合一次map-reduce的操作。