在工作中我们常遇到此类问题,从一个大量甚至海量的数据中取出前几个大的数。必须在海量的文章中取出点击量最大的10篇文章。
此类问题其实就是Top K问题。
给定一个数据(数据量海量 N),想找到前 K 个最大的或最小的元素。
eg:有10亿个Long型整数,存储在一个文件中,如果找出其中最大的10个?
最容易想到的方法是将数据全部排序,然后在排序后的集合中进行查找,最快的排序算法的时间复杂度一般为O(nlogn),如快速排序。每个Long类型占8个字节,10亿个数就要占用7GB+的存储空间,对于一些可用内存小于7GB的计算机而言,很显然是不能一次将全部数据读入内存进行排序的。其实即使内存能够满足要求(我机器内存都是8GB),该方法也并不高效,因为题目的目的是寻找出最大的10个数即可,而排序却是将所有的元素都排序了,做了很多的无用功。
第二种方法采用最小堆。首先读入前10个数来创建大小为10的最小堆,然后遍历后续的数字,并于堆顶(最小)数字进行比较。如果比最小的数小,则继续读取后续数字;如果比堆顶数字大,则替换堆顶元素并重新调整堆为最小堆。整个过程直至10亿个数全部遍历完为止。然后按照中序遍历的方式输出当前堆中的所有10个数字。这个方法使用的内存是可控的,只有10个数字所需的内存即可。
这种方法Java中有现成的数据结构优先级队列可以使用:java.util.PriorityQueue
代码如下:
import org.junit.Test;
import java.io.*;
import java.util.PriorityQueue;
import java.util.Random;
/**
* @author liming
* @date 2020/9/3
* @description
*/
public class TopKDemo {
//模拟海量数据的文件
private final File file = new File("file" + File.separator + "topkdata.txt");
private final Random random = new Random();
private final PriorityQueue<Long> priorityQueue = new PriorityQueue<>(10);
@Test
public void computeTopK() {
FileReader fileReader