正确答案是C简单选择排序，每轮选出最小的一个元素，那么5轮就完成了任务，比较次数为1000+999+998+997+996=5000-10=4990次。而C选项，堆排序，首先需要建堆，建堆时间复杂度是O(n)，根据《算法导论》上chap6的公式推导，建堆时间的上界是O(2n)，那么需要2000次比较。接下来依次挑选最小的元素，每次挑选完一个元素，都需要重新调整堆，调整堆的时间复杂度为O(logn)。根据《算法导论》的推导是T(n)<=T(2n/3)+O(1),把n=1024带入，发现对调整时间大约为10次，并且推导中的O(1)时间是用于调整根节点、左儿子、右儿子这3个节点的时间，显然时间开销小于10次，那么5次取最小元素的时间开销就小于5*10*10=500，所以总时间开销不足2500次。    

(1)client向NameNode申请上传…/xxx.txt文件(2)NN向client响应可以上传文件(3)Client向NameNode申请DataNode(4)NN向Client返回DN1,DN2,DN3(5)Client向DN1,DN2,DN3申请建立文件传输通道(6)DN3,DN2,DN1依次响应连接(7)Client向DN1上传一个block，DN1向DN2,DN3冗余文件

1、提前在map进行combine，减少传输的数据量在Mapper加上combiner相当于提前进行reduce，即把一个Mapper中的相同key进行了聚合，减少shuffle过程中传输的数据量，以及Reducer端的计算量。如果导致数据倾斜的key大量分布在不同的mapper的时候，这种方法就不是很有效了。2、导致数据倾斜的key大量分布在不同的mapper（1）局部聚合加全局聚合第一次在map阶段对那些导致了数据倾斜的key加上1到n的随机前缀，这样本来相同的key也会被分到多个Reducer中进行局部聚合，数量就会大大降低。第二次mapreduce，去掉key的随机前缀，进行全局聚合。思想：二次mr，第一次将key随机散列到不同reducer进行处理达到负载均衡目的。第二次再根据去掉key的随机前缀，按原key进行reduce处理。这个方法进行两次mapreduce，性能稍差。（2）增加Reducer，提升并行度JobConf.setNumReduceTasks(int)（3）实现自定义分区根据数据分布情况，自定义散列函数，将key均匀分配到不同Reducer