一、基本概念：
1. Hash函数
通过哈希函数，将输入域（可以是非常大的范围）指定到一个固定范围的输出域s上。
具有四大性质：
1. 拥有无限的输入域
2. 如果输入值相同，返回值一样
3. 如果输入值不相同，返回值可能相同，可能不同
4. 不同输入值得到的哈希值，整体均匀的分布在输出域s中——优秀哈希函数的判断。
经典算法：MD5、SHA1
2. 一致性哈希算法
例如，服务器集群中，如果目前的机器数为N，如果使用取余的哈希算法中，一旦增减或减少一台机器，则所有的数据都要重新取余计算器对应的机器。
一致性哈希算法特点：
将HASH函数计算后得到的数据当作一个环，每个数据和每台机器都对应在环上的一个位置，对于一个数据来说，找到它分属的机器，就是以它自己为起点，在环上顺时针找到离它最近的机器即可。
所以增减、迁移数据的代价很小。
3. Map/Reduce
Map：把大任务利用HASH分成若干小任务，在机器中运行
Reduce：将小任务得到的结果并发处理，得到最终的结果
4. 解题套路——词频统计
1. 根据内存的限制，对整个数据根据哈希函数分配到不同的机器上／或者分流。
例如：如果数字是0~232，内存限制是10M，则意味着每个区域最大的范围是：10M，所以所需要的分区数是：232／10M= 64
2. 在每个分区上根据bitmap，对每个数据进行词频统计。
对于bitmap，每一位只能有0/1，第k-1位代表的就是数字k是否出现
例如：对于0~232范围内的数据，只需要长度为232的bit数组，也就是：128M
3. 如果要选出TOP-K，则利用最大堆／最小堆
4. 综合所有分区，得到结果。
二、遇到的题目：
1. 统计一篇文章中每个单词的词频
（1）预处理——抓取全部有效单词
去掉标点符号
补全缩写字母
连词处理（换行）
大小写处理
（2）利用Map：生成每个单词词频为1的记录：dog, 1)、pig, 1)、dog,1)——>可能有重复
通过hash函数得到每个单词的哈希值，根据哈希值分配成若干组。——相同单词一定分在一个组
（3）在每个分组中，利用reduce将单词记录合并。最后再将所有的单词记录合并。
2. 对10亿个IPV4的地址进行排序，每个Ip只出现一次
1）申请一个128M的bitmap，在bitmap中每个位置对应的值只能是0/1代表出现／不出现
2）将ipv4地址——>整数，如果出现在相应的bitmap中的位置设为1
3）遍历bitmap，得到未出现的数字
3. 对10亿人的年龄进行排序
基数排序
4. 有一个包含20亿个全部是32为整数的大文件，在其中找到出现次数最多的数，但是内存限制为2G
1）根据内存限制进行分区。
20亿／2G = 16个
2）在每一个区间内，使用hash表统计词频，选出词频最多的数
3）综合每个分区的词频第一，得到最终的第一。
5. 32位无符号函数的范围：0～4294967295.现在有一个包含了20多亿个无符号整数的文件，在无符号范围内找到一个未出现的数，内存<10M
1）根据内存限制，对232差不多42亿个数字，进行分组：
分组个数：232／10M =64
2）若一个分区词频的数字<它的长度，则代表有缺失
3）在这个有缺失的分区，利用bitmap找出缺失的那个数
6. 从百亿词汇中，找到最热的100个词
1）根据哈希函数，分流到各个机器，如果每台机器的内存不够，则进一步分流到分区中，
2）在每个可处理的最小分区中，利用hashmap统计词频
3）在每个分区中，利用最小堆选出TOP100
4）综合所有，利用外排序／最小堆得到最终的TOP100