【来自程序员面试宝典】有1千万条短信，找出重复出现最多的前10条
题目：
- 有1千万条短信，有重复，以文本文件的形式保存，一行一条，有重复。请用5分钟时间，找出重复出现最多的前10条。
解析：
- 对于本题来说，某些面试者想用数据库的办法来实现：首先将文本导入数据库，再利用select语句某些方法得出前10条短信。但实际上用数据库是满足不了5分钟解决这个条件的。这是因为1千万条短信即使1秒钟录入1万条（这已经算是很快的数据录入了）5分钟才300万条。即使真的能在5分钟内录入完1千万条，也必须先建索引，不然sql语句5分钟内肯定得不出结果。但对1千万条记录建索引即使在5分钟之内都不可能完成的。所以用数据库的办法是不行的。
- 这种类型的题之所以会出现，这是因为互联网公司无时无刻都在需要处理由用户产生的海量数据/日志，所以海量数据的题现在很热，基本上互联网公司都会考。重点考察的是你的数据结构设计和算法的基本功。类似题目是如何根据关键词搜索访问最多的前10个网站。
答案：
方法1：
- 可以用哈希表的方法对1千万条分成若干组进行边扫描边建散列表。第一次扫描，取首字节，尾字节，中间随便两字节作为Hash Code，插入到hash table中。并记录其地址和信息长度和重复次数，1千万条信息，记录这几个信息还放得下。同Hash Code且等长就疑似相同，比较一下。相同记录只加1次进hash table，但将重复次数加1。一次扫描以后，已经记录各自的重复次数，进行第二次hash table的处理。用线性时间选择可在O（n）的级别上完成前10条的寻找。分组后每份中的top10必须保证各不相同，可hash来保证，也可直接按hash值的大小来分类。
方法2：
- 可以采用从小到大排序的方法，根据经验，除非是群发的过节短信，否则字数越少的短信出现重复的几率越高。建议从字数少的短信开始找起，比如一开始搜一个字的短信，找出重复出现的top10并分别记录出现次数，然后搜两个字的，依次类推。对于对相同字数的比较常的短信的搜索，除了hash之类的算法外，可以选择只抽取头、中和尾等几个位置的字符进行粗判，因为此种判断方式是为了加快查找速度但未能得到真正期望的top10，因此需要做标记；如此搜索一遍后，可以从各次top10结果中找到备选的top10，如果这top10中有刚才做过标记的，则对其对应字数的所有短信进行精确搜索以找到真正的top10并再次比较。
方法3：
- 可以采用内存映射的办法，首先1千万条短信按现在的短信长度将不会超过1G空间，使用内存映射文件比较合适。可以一次映射（当然如果更大的数据量的话，可以采用分段映射），由于不需要频繁使用文件I/O和频繁分配小内存，这将大大提高数据的加载速度。其次，对每条短信的第i（i从0到70）个字母按ASCII嘛进行分组，其实也就是创建树。i是树的深度，也是短信第i个字母。
分析
- 该问题主要是解决两方面的内容，一是内容加载，二是短信内容比较。采用文件内存映射技术可以解决内容加载的性能问题（不仅仅不需要调用文件I/O函数，而且也不需要每读出一条短信都分配一小块内存），而使用树技术可以有效减少比较的次数。
【来自程序员面试宝典】执行数据库查询时，如果要查询的数据有很多，假设有1000万条，用什么方法可以提高查询效率（速度）？在数据库方面或Java代码方面有什么优化的办法？
1.在数据库设计方面
-
（1） 建立索引
-
（2） 分区（MySql，比如按时间分区）
-
（3） 限制字段长度
2.在数据库I/O方面
-
（1） 增加缓冲区
-
（2） 如果设计标的级联，不同的表存储在不同的磁盘上，以增加I/O的读写效率
3.在SQL语句方面
-
（1） 优化SQL语句，减少比较的次数
-
（2） 限制返回的条目数（MySql中使用limit）
4.在Java方面
- 如果是反复使用的查询，使用PreparedStatement减少查询的次数。
java代码：
概述：获取一亿数据获取前100个最大值
-
- 假设数组为 array[N] (N = 1 亿)，首先利用quicksort的原理把array分成两个部分，左边部分比 array[N - 1] (array中的最后一个值，即pivot) 大， 右边部分比pivot 小。然后，可以得到 array[array.length - 1] (即 pivot) 在整个数组中的位置，假设是 k.
-
- 如果 k 比 99 大，我们在数组[0, k - 1]里找前 100 最大值。 （继续递归）
-
- 如果 k 比 99 小， 我们在数组[k + 1, ..., N ]里找前 100 - (k + 1) 最大值。（继续递归）
-
- 如果 k == 99, 那么数组的前 100 个值一定是最大的。（退出）
import java.util.Random;
public class TopHundredQuickSort {
public static void main(String[] args) {
// the size of the array
int number = 100000000;
// the top k values
int k = 100;
// the range of the values in the array
int range = 1000000001;
// input for minHeap based method
int[] array = new int[number];
Random random = new Random();
for(int i=0; i<number; i++){
array[i] = random.nextInt(range);
}
TopHundredQuickSort topHundred = new TopHundredQuickSort();
// start time
long t1 = System.currentTimeMillis();
topHundred.tophundred(array, 0, array.length-1, k);
// end time
long t2 = System.currentTimeMillis();
System.out.println("The total execution time of quicksort based method is" + (t2-t1) + " millisecond");
// print out the top k largest values in the top array
System.out.println("The top " + k + " largest values are:");
for(int i=0; i<k; i++){
System.out.println(array[i]);
}
}
private void tophundred(int[] array, int start, int end, int k) {
int switchPointer = start;
// array最后一个值作为pivot
int pivot = array[end];
for(int i=start; i<end; i++){
if(array[i] >= pivot){
swap(array, switchPointer, i);
switchPointer++;
}
}
// 交换后 array左边的值比pivot大 右边的值比pivot小
swap(array, end, switchPointer);
if(switchPointer < k-1){
tophundred(array, switchPointer+1, end, k);
}else if(switchPointer == k-1){
return;
}else{
tophundred(array, 0, switchPointer-1, k);
}
}
private void swap(int[] array, int i, int j) {
int temp = array[i];
array[i] = array[j];
array[j] = temp;
}
}