1、海量日志数据，提取出某日访问百度次数最多的那个IP。
首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。
或者如下阐述：
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G种取值情况（每个IP用1Byte存储），所以不能完全加载到内存中处理；
2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)%1024值，把海量IP日志分别存储到1024个小文件中。这样，每个小文件最多包含4MB个IP地址；
3.遍历1024个文件，对于每一个小文件，可以构建一个HashMap(IP，IP_Count)，同时记录当前出现次数最多的那个IP地址；
4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现次数最多的IP；
2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的长度为1-255字节。
假设目前有一千万个记录（这些查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就是越热门。），请你统计最热门的10个查询串，要求使用的内存不能超过1G。
思路明显是，先统计每个Query出现的次数，然后根据统计结果，找出Top 10，这样我们就分两步进行。
第一步：Query统计
因为虽然有一千万个Query，但是由于重复度比较高，因此事实上只有300万的Query，每个Query占用最大为255Byte，因此我们可以考虑把他们都放进内存中去。
经过计算，300万个Query大小最大为729MB。我们选择用一个HashMap（Query，Query_count）来做存储。对1000万条记录，每次读取一个Query，如果该字串不在HashMap中，那么加入该字串，并且将Value值设为1；如果该字串在HashMap中，那么将该字串的计数加一即可。最终我们在O(N)的时间复杂度内完成了对该海量数据的处理。
第二步：找出TOP10
用堆实现部分排序。维护一个K(该题目中是10)大小的小根堆，然后遍历300万的Query，分别和根元素进行对比。
具体过程是，堆顶存放的是整个堆中最小的数，现在遍历N个数，把最先遍历到的k个数存放到最小堆中，并假设它们就是我们要找的最大的k个数，X1>X2...Xmin(堆顶)，而后遍历后续的N-K个数，一一与堆顶元素进行比较，如果遍历到的Xi大于堆顶元素Xmin，则把Xi放入堆中，而后更新整个堆，更新的时间复杂度为logK，如果Xi<Xmin，则不更新堆，整个过程的复杂度为O(K)+O(（N-K）*logK)=O（N*logK）。
3、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。
第一步：顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件（记为x0,x1,...x4999）中。这样每个文件大概是200k左右。
第二步：上面的操作中，我们得到的小文件中，有一些文件可能会超过1MB，对于这些大小超过1MB的文件，我们可以再进一步细分，使他们的大小在1MB以内，这样我们得到的文件总数就X（X>=5000）。
第三步：对每个小文件，统计每个小文件中出现频率最高的100个词，把他们的词和词频存入新的文件，这样我们又得到X个小文件，后面的步骤就是把这些小文件归并。
4、有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序。
还是典型的TOP K算法，解决方案如下：
方案一：
因为文件的Query可能重复，我们先hash（query）%10把query存入新的10个文件中，这样每个文件的大小也大约在1G。
找一台内存2G的机器，接下来用HashMap(query,query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件。
对这10个文件进行归并排序（内排序与外排序相结合）。
方案二：
一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。我们逐个读取文件，接下来就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。
方案三：
类似方案一，先hash得到10个文件，然后把文件分摊到不同的处理机上（基于分布式的思想）进行HashMap统计次数，然后每台机器对各自的文件进行排序，接下去就是归并文件。
5、 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？
方案一：
遍历文件a，对每个url求取hash(url)%1000，然后根据所取得的值将url分别存储到1000个小文件（记为a0,a1,...,a999）中。这样每个小文件的大约为300M。
遍历文件b，采取和a相同的方式将url分别存储到1000小文件（记为b0,b1,...,b999）。这样处理后，所有可能相同的url都在对应的小文件（a0vsb0,a1vsb1,...,a999vsb999）中，不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。
注意题目中要求的是a、b文件相同的url，所以我们求的是上面得到的文件对中相同的url。在这一步中，我们有1000个文件对，对每一个文件对，我们把其中一个文件的url存储到HashSet中，然后遍历文件对的另一个文件的url，如果HashSet里面contains该url，那就是要求的相同的url。
6、在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数。
原题里面没有说明2.5亿个整数原来是如何存储的，先暂且认为2.5亿个整数存在一个大文件中。
方案：
第一步：遍历读取这个文件的每一个整数，然后Hash到多个小文件中，这样小文件包含重复的数字和不重复的数字。
第二步：逐个处理小文件，用HasMap(num，num_count)来统计当前小文件的数字情况，对num_count为1的整数，存储到一个新的文件中，这里的意思明显是所有num_count为1的整数最终都存储到同一个文件中。
7、腾讯面试题：给40亿个不重复的unsigned int的整数（即无符号整数），没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中？
方案一：对40亿个整数快排，然后用二分查找，但下面有效率更高的方案。
方案二：申请512M的内存，一个bit位代表一个unsigned int值。读入40亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0表示不存在。
方案三：
2^32为40亿多，题目给了40亿的数，这样要查找的数可能在也可能不在给个40亿个数中。我们40亿个数中的每一个用32位的二进制来表示。
假设这40亿个数开始放在一个文件中。我们将这40亿个数分成两类:①最高位为0。②最高位为1。把这两类数存入到两个文件中。其中一个文件中数的个数<=20亿，而另一个>=20亿（这相当于折半了）；与要查找的数的最高位比较并接着进入相应的文件再查找。
根据上一个文件的数字的次高位的值，把这些数字在细分到两类文件：①最高位为0。②最高位为1。与要查找的数的次最高位比较并接着进入相应的文件再查找。以上述方法从数字的高位到低位一直进行下去。依据原文说法，时间复杂度为O(logn)。
方案四：
这是位图法。它的做法是按照集合中最大元素max创建一个长度为max+1的新数组，然后再次扫描原数组，遇到几就给新数组的第几位置上1，如遇到5就给新数组的第六个元素置1，这样下次再遇到5想置位时发现新数组的第六个元素已经是1了，这说明这次的数据肯定和以前的数据存在着重复。这种给新数组初始化时置零其后置一的做法类似于位图的处理方法故称位图法。它的运算次数最坏的情况为2N。如果已知数组的最大值即能事先给新数组定长的话效率还能提高一倍。
8、一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10个词，请给出思想，给出时间复杂度分析。
第一步，用trie树统计每个词出现的次数，时间复杂度是O(n*le)（le表示单词的平准长度）。
第二步，找出出现最频繁的前10个词，可以用堆来实现，方法在第二题中已经讲到了，时间复杂度是O(n*lg10)。所以总的时间复杂度，是O(n*le)与O(n*lg10)中较大的哪一个。
9、100w个数中找出最大的100个数。
方案一：
和第二题的思路一样。建一个容量100的小根堆，遍历100w个数，每次都和堆顶比较，如果比堆顶大则置换，然后堆重排序。
方案二：
采用局部淘汰法。选取前100个元素，并排序，记为序列L。然后一次扫描剩余的元素x，与排好序的100个元素中最小的元素比，如果比这个最小的要大，那么把这个最小的元素删除，并把x利用插入排序的思想，插入到序列L中。依次循环，直到扫描了所有的元素。复杂度为O(100w*100)。
本文转改自：