2． 當前解決方案
針對top k類問題，通常比較好的方案是【分治+trie樹/hash+小頂堆】，即先將資料集按照hash方法分解成多個小資料集，然後使用trie樹或者hash統計每個小資料集中的query詞頻，之後用小頂堆求出每個資料集中出頻率最高的前k個數，最後在所有top k中求出最終的top k。
實際上，最優的解決方案應該是最符合實際設計需求的方案，在實際應用中，可能有足夠大的記憶體，那麼直接將資料扔到記憶體中一次性處理即可，也可能機器有多個核，這樣可以採用多執行緒處理整個資料集。
本文針對不同的應用場景，介紹了適合相應應用場景的解決方案。
3.2 單機+多核+足夠大記憶體
這時可以直接在記憶體中實用hash方法將資料劃分成n個partition，每個partition交給乙個執行緒處理，執行緒的處理邏輯是同3.1節類似，最後乙個執行緒將結果歸併。
該方法存在乙個瓶頸會明顯影響效率，即資料傾斜，每個執行緒的處理速度可能不同，快的執行緒需要等待慢的執行緒，最終的處理速度取決於慢的執行緒。解決方法是，將資料劃分成c*n個partition（c>1），每個執行緒處理完當前partition後主動取下乙個partition繼續處理，直到所有資料處理完畢，最後由乙個執行緒進行歸併。
3.3 單機+單核+受限記憶體
這種情況下，需要將原資料檔案切割成乙個乙個小檔案，如，採用hash(x)%m，將原檔案中的資料切割成m小檔案，如果小檔案仍大於記憶體大小，繼續採用hash的方法對資料檔案進行切割，直到每個小檔案小於記憶體大小，這樣，每個檔案可放到記憶體中處理。採用3.1節的方法依次處理每個小檔案。
3.4 多機+受限記憶體
這種情況下，為了合理利用多台機器的資源，可將資料分發到多台機器上，每台機器採用3.3節中的策略解決本地的資料。可採用hash+socket方法進行資料分發。
從實際應用的角度考慮，3.1~3.4節的方案並不可行，因為在大規模資料處理環境下，作業效率並不是首要考慮的問題，演算法的擴充套件性和容錯性才是首要考慮的。演算法應該具有良好的擴充套件性，以便資料量進一步加大（隨著業務的發展，資料量加大是必然的）時，在不修改演算法框架的前提下，可達到近似的線性比；演算法應該具有容錯性，即當前某個檔案處理失敗後，能自動將其交給另外乙個執行緒繼續處理，而不是從頭開始處理。
top k問題很適合採用mapreduce框架解決，使用者只需編寫乙個map函式和兩個reduce 函式，然後提交到hadoop（採用mapchain和reducechain）上即可解決該問題。對於map函式，採用hash演算法，將hash值相同的資料交給同乙個reduce task；對於第乙個reduce函式，採用hashmap統計出每個詞出現的頻率，對於第二個reduce 函式，統計所有reduce task輸出資料中的top k即可。
4． 總結
top k問題是乙個非常常見的問題，公司一般不會自己寫個這裡寫**片程式進行計算，而是提交到自己核心的資料處理平台上計算，該平台的計算效率可能不如直接寫程式高，但它具有良好的擴充套件性和容錯性，而這才是企業最看重的。
5． 參考資料
《十道海量資料處理面試題與十個方法大總結》：
本部落格的文章集合:
怎樣從10億查詢詞找出出現頻率最高的10個
1 問題描述 2 當前解決方案 針對top k類問題，通常比較好的方案是 分治 trie樹 hash 小頂堆 即先將資料集按照hash方法分解成多個小資料集，然後使用trie樹或者hash統計每個小資料集中的query詞頻，之後用小頂堆求出每個資料集中出頻率最高的前k個數，最後在所有top k中求出...
如何從10億查詢詞找出出現頻率最高的10個？
1 問題描述 2 當前解決方案 針對top k類問題，通常比較好的方案是 分治 trie樹 hash 小頂堆 即先將資料集按照hash方法分解成多個小資料集，然後使用trie樹或者hash統計每個小資料集中的query詞頻，之後用小頂堆求出每個資料集中出頻率最高的前k個數，最後在所有top k中求出...
談從10億個數中找出前10萬個最大的
10億個浮點數大概佔據3g左右的空間，因此全部一次性讀入記憶體目前在個人pc上是不太現實的。本次討論不考慮記憶體等等，只考慮演算法。如果一次性比較排序，然後輸出前面最大的10w個，那麼眾所周知，演算法的時間複雜度不下於o n lgn 此處的n為數的個數 10億 如果用堆排序，由於堆排序像合併排序而不...