1、布隆过滤器用于集合的建立与查询，并可以节省大量空间
布隆过滤器使用bit来表示每一个值有没有用到，一个int有4个Byte，转成二进制就有32bit，就能有32个坑，每一个坑就可以表示有没有使用过。这样用int数组，就能表示n*32个坑，就可以表示大空间，因为布隆过滤器的空间特别大，不可能给所有数字一个坑，这样将原来的数据hash后，还是会有多个值到一个坑的问题，所以布隆过滤器有一定的失误率，这个根据公式可以算出来，具体记不住，就不写了。
2、一致性哈希解决数据服务器的负载管理问题
一致性哈希就是将所有的hash结果弄成一个环，让几个节点去收集顺时针离他最近的hash的值，这样在新增或者删除节点的过程中，就不需要将所有的值重新hash处理一遍，只需要将影响到的值过一遍即可。因为有可能出现几个节点不均衡的问题，所以通常会增加虚拟节点，比如有三个节点a、b、c，我们可以让每个节点虚拟出1000个节点，这样就有3000个节点，将换上要分配到虚拟节点的数据再映射一次到具体的节点，就能达到平衡的效果。
3、利用并查集结构做岛问题的并行计算
4、哈希函数可以把数据按照种类均匀分流
用hash函数的性质，将同一个种类的数据分到一个坑里面，然后单独处理每一个坑里面的数据，可以将每个坑单独生成一个文件，然后单独处理，也可以发给不同的机器，并行处理。
5、位图解决某一范围上数字的出现情况，并可以节省大量空间
用一个int有4个Byte，32个bit的性质，用一个int数组来实现多个坑，就可以代替有没有出现过的情况，来替换hashmap来实现节省空间的效果。
6、利用分段统计思想、并进一步节省大量空间
和哈希函数可以把数据按照种类均匀分流一样，分流，然后单独处理
7、利用堆、外排序来做多个处理单元的结果合并
类似于好多数据的排序问题，可以用大根堆一次排好一段范围内的数据，然后下次循环再排号另一段，比如用大根堆，堆里面放的是两个数值组成的一组数据，一个是具体的数值（类似于key），用来大根堆排序的，另一个是key具体出现的次数，规定堆中有10种数，用一个变量记录最大值，循环时小于最大值的直接丢了(已经排过了)，大于最大值的，如果堆里面不够10个数直接进入，到了10个数，如果小于最大值则替换堆顶元素。这样一次循环下来，就能结合上出现的次数，在大根堆中将这10中数据排好序，然后进行下一轮循环，直到把所有数据排好序。