继续研究超大规模数据场景的问题

一、对20GB文件进行排序

 题目要求：假设你有一个20GB的文件，每行一个字符串，请说明如何对这个文件进行排序？
 分析：这里给出大小是20GB,其实面试官就在暗示你不要将所有的文件都装入到内存里，因此我们只能将文件划分成一些块，每块大小是xMB,x就是可用内存的大小，例如1GB一块，那我们就可以将文件分为20块。我们先对每块进行排序，然后再逐步合并。这时候我们可以使用两两归并，也可以使用堆排序策略将其逐步合并成一个。相关方法我们在《查找》一章的堆排部分有介绍。这种排序方式也称为外部排序。

二、超大文本中搜索两个单词的最短距离

 题目要求：有个超大文本文件，内部是很多单词组成的，现在给定两个单词，请你找出这两个单词在这个文件中的最小距离，也就是像个几个单词。你有办法在O()时间里完成搜索操作吗？方法的空间复杂度如何。
 分析：这个题咋看很简单，遍历一下，找到这两个单词w1和w2的位置然后比较一下就可以了，然而这里的w1可能在很多位置出现，而w2也会在很多位置出现，如下图：

 这时候如何比较寻找哪两个是最小距离呢？
 最直观的做法是遍历数组words,对于数组中的每个word1,遍历数组words找到每个word2并计算距离。该做法在最坏情况下的时间复杂度是O(n^2),需要优化。
 本题我们少不了遍历一次数组，找到所有word1和word2出现的位置，但是为了方便比较，我们可以将其放到一个数组里，例如：

l1stA:{1,2,9,15,25}
listB:{4,10,19}
合并成
list:{1a,2a,4b,9a,10b,15a,19b,25a}

 合并成一个之后更方便查找，数字表示出现的位置，后面一个元素表示元素是什么。然后一边遍历一边比较就可以了。
 但是对于超大文本，如果文本太大那这个ist可能溢出。如果继续观察，我们会发现其实不用单独构造ist,从左到右遍历数组words,当遍历到word1时，如果已经遍历的单词中存在word2,为了计算最短距离，应该取最后一个已经遍历到的word2所在的下标，计算和当前下标的距离。同理，当遍历到word2时，应该取最后一个已经遍历到的word1所在的下标，计算和当前下标的距离。
 基于上述分析，可以遍历数组一次得到最短距离，将时间复杂度降低到O(n)。用index1和index2分别表示数组words已经遍历的单词中的最后一个word1的下标和最后一个word2的下标，初始时index1=index2=-1。遍历数组words,当遇到word2时，执行如下操作：
1.如果遇到word1,则将index1更新为当前下标；如果遇到word2,则将index2更新为当前下标。
2.如果index1和index22都非负，则计算两个下标的距离|index1-index2|,并用该距离更新最短距离。
遍历结束之后即可得到word1和word2的最短距离。
 进阶问题如果寻找过程在这个文件中会重复多次，而每次寻找的单词不同，则可以维护一个哈希表记录每个单词的下标列表。遍历一次文件，按照下标递增顺序得到每个单词在文件中出现的所有下标。在寻找单词时，只要得到两个单词的下标列表，使用双指针遍历两个下标链表，即可得到两个单词的最短距离。

三、从10亿数字中寻找最小的100万个数字

 题目要求：设计一个算法，给定一个10亿个数字，找出最小的100万的数字。假定计算机内存足以容纳全部10亿个数字。
 本题有三种常用的方法，一种是先排序所有元素，然后取出前100万个数，该方法的时间复杂度为O(nlogn)。很明显对于10亿级别的数据，这么做时间和空间代价太高。
 第二种方式是采用选择排序的方式，首先遍历10亿个数字找最小，然后再遍历一次找第二小，然后再一次找第三小，直到找到第100万个。很明显这种方式的时间代价是O(m)也就是要执行10亿100万次，这个效率一般的服务器都达不到。
 第三种方式，采用大顶堆来解决，堆的原理在《查找》一章专门介绍过，方法思想是一致的，都是“查小用大堆，查大用小堆”。
 首先，为前100万个数字创建一个大顶堆，最大元素位于堆顶。然后，遍历整个序列，只有比堆顶元素小的才允许插入堆中，并删除原堆的最大元素。之后继续遍历剩下的数字，最后剩下的就是最小的100万个。
 采用这种方式，只需要遍历一次10亿个数字，还可以接受。更新堆的代价是O(nlogn),也勉强能够接受。堆占用的空间是100万4，大约为4MB左右的空间就够了，2因此也能接收。如果数据量没有这么大，也是可以直接使用这三种方式的。如果将10亿数字换成流数据，也可以使用堆来找，而且对于流数据，几乎只能用堆来做。