多数组归并的关键在于高效协调多个有序源头，需根据数组数量m、总元素数n、内存约束等选择多路双指针法（m≤6）或最小堆法（m≥7或n≥10⁵），兼顾有序性、空间与比较效率。
多个有序数组归并的难点不在“排序”，而在“高效协调多个源头”。核心矛盾是：两两合并容易，但逐对合并会重复扫描、时间膨胀；全量拼接再排序又丢掉了“已有序”这一关键优势。实战中要抓住三个关键点：保持有序性、控制空间开销、避免冗余比较。
明确归并目标与约束条件
先确认实际场景要求：
- 是否必须原地合并（如内存受限嵌入式环境）？
- 数组数量 m 是固定小值（如 3–5 个），还是动态大值（如日志分片上百个）？
- 各数组长度是否差异极大（例如一个含百万元素，其余都只有几个）？
- 是否需要实时流式输出（边合并边消费），还是最终一次性返回完整结果？
不同组合对应不同解法——比如 m=3 且长度相近，用三指针轮询即可；m=100 且总元素达千万级，就必须上堆优化。
小规模多数组（m ≤ 6）：多路双指针直推法
不引入额外数据结构，手动维护 m 个指针，每次取最小值。适合代码简洁、m 很小、调试友好的场景。
- 为每个数组分配一个索引变量（如 ptr[0], ptr[1], ..., ptr[m−1]），初始全为 0
- 每轮遍历所有非越界指针，找出当前最小值及其所在数组下标
- 将该值写入结果数组，对应指针 +1
- 任一数组耗尽后，跳过其指针；全部耗尽则结束
时间复杂度 O(N·m)，N 为总元素数；空间仅 O(1) 额外指针。虽不如堆法优雅，但无建堆/调整开销，m 小时反而更快。
中大规模多数组（m ≥ 7 或 N ≥ 10⁵）：最小堆驱动归并
这是工业级方案，把“找最小值”从 O(m) 降到 O(log m)，整体复杂度压至 O(N log m)。
- 构建大小为 m 的最小堆，每个节点存三项：当前值、所属数组编号、在该数组中的位置
- 初始化时，将每个数组首元素（若存在）入堆
- 循环弹出堆顶 → 写入结果 → 若该数组还有下一个元素，则将其入堆
- 堆中某数组耗尽时，可填入哨兵值（如 INT_MAX）或直接减少堆大小
Python 可用 heapq，C++ 用 priority_queue，Java 用 PriorityQueue
特殊场景优化技巧
实战中常有隐藏红利可挖：
- 存在空数组或单元素数组：提前过滤，避免堆中塞无效节点
- 某数组明显最长：可把它作为主干，其余数组逐个二分插入（适合静态、插入少的场景）
- 需去重合并：在堆弹出时判断是否与上一个结果值相等，相等则跳过（注意保留原始重复逻辑）
- 内存极度受限：改用外部归并，分块读入、归并、写出临时文件，最后两两合并临时文件
归并本身不难，难的是根据数据特征选对杠杆点。堆不是银弹，指针也不是古董——谁更贴合你的 m、N、内存、可维护性四维坐标，谁就是最优解。
