大数据类算法问题

1.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

1G有2^26个单词，1M可以存2^16个词。

step1：利用hash散列方法，hash（x）/5000将文件单词存到5000个不同的空间。（平均下来，每个空间大概有200k大小，有的可能超过1M，则对于该集合继续划分，知道都小于1M）

step2：将每个集合放入内存进行hashmap处理，key设为单词，value为频率。

step3：对于每个集合，通过最小堆排序的算法求其平率最高的100个。然后将这5000个进行归并排序。（5000*100=500000<2^16）