正确解析如下...
解析: 对于本题来说，某些面试者想用数据库的办法实现，首先将文本导入数据库，再利用select 语句的方法得出前10 个短信。但实际上用数据库是绝对满足不了5分钟解决这个条件的。这是因为1千万条短信即使1秒钟导入1万条(这已经算是很快的数据导入了)，5分钟才3 百万条，即便真的能在5分钟内录完1千万条，也必须先建索引，否则SQL语句在5 分钟内肯定得不出结果。但对1千万条记录建索引，在5 分钟内也不能完成。所以用数据库的办法不行。
这种类型的题之所以会出现，这是因为互联网公司每时每刻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，互联网公司招聘时基本上都会考。重点考查求职者的数据结构设计与算法基本功。类似题目是如何根据关键词搜索访问最多的前10 个网站。
正确答案在下面！
正确答案：
方法1: 用哈希表的方法。
可以将1千万条短信分成若干组，进行边扫描边建散列表的方法。第一次扫描，取首字节、尾字节、中间任意两字节作为Hash Code，插入到hash table中，并记录其地址、信息长度和重复次数。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。分组后每组中的top10 必须保证各不相同，可用hash 来保证，也可直接按hash值的大小来分类。
方法2: 采用从小到大排序的办法。
根据经验，除非是群发的过节短信，否则字数越少的短信，出现重复的概率越高。建议从字数少的短信开始找起，比如一开始搜个字的短信，找出重复出现的top10 并分别记录出现次数，然后搜两个字的，以此类推。对于对相同字数的比较长的短信的搜索，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，但未必能得到真正期望的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,如果这次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topl0 并再次比较。
方法3: 采用内存映射办法。
首先，1千万条短信按现在的短信长度将不会超过1GB 空间，使用内存映射文件比较合适，可以一次映射(如果有更大的数据量，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，这将大大提高了數据的加载速度。其次，对每条短信的第i (i 从0到70) 个字母按ASCII码进行分组，也就是创建树。i是树的深度，也是短信第i 个字母。
该问题主要是解决两方面的内容，一是内容加载，二是短信内容的比较。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要分配一小块内存)，而使用树技术可以有效地减少比较的次数。
