所谓的分布式处理技术就是指MapReduce技术。这里的MapReduce技术无需使用Hadoop软件，而是指使用Hadoop中的MapReduce的技术思想。MapReduce的技术思想是将数据交给不同的机器去处理，先数据划分，之后结果归约。

举例：海量数据分布在100台电脑中，想高效统计出这批数据的TOPN。

如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。

当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(MD5)后的值将数据按照范围划分到不同的电脑，最好可以让数据划分后可以一次性全部读入内存，这样不同的电脑负责处理各种的数值范围，实际上就是map。

得到结果后，各台电脑只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。

实际上，你可能想直接将数据均分到不同的电脑上进行处理，这样是无法得到正确解的。因为一个数据可能被均分到不同的电脑上，而另一个则可能完全聚集到一台电脑上，同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机器上，这样在每台上只有1000个，假设这些机子排名在1000个之前的那些都是单独分布在一台机器上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机器上选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机器上，而是要根据hash后的值将它们映射到不同的机器上处理，让不同的机器处理一个数值范围。

而外排序的方法会消耗大量的I/O，效率不会很高。而上面的分布式方法也可以用于单机版本，也就是将总的数据根据值的范围划分成多个不同的子文件，然后逐个处理。处理完毕之后再对这些单词及其出现频率进行归并。实际上就可以利用一个外排序的归并过程。