设计一个找到数据流中第 k 大元素的类（class）。注意是排序后的第 k 大元素，不是第 k 个不同的元素。
请实现 KthLargest 类：
KthLargest(int k, int[] nums)使用整数k和整数流nums初始化对象。int add(int val)将val插入数据流nums后，返回当前数据流中第k大的元素。
示例：
输入：
["KthLargest", "add", "add", "add", "add", "add"]
[[3, [4, 5, 8, 2]], [3], [5], [10], [9], [4]]
输出：
[null, 4, 5, 5, 8, 8]
解释：
KthLargest kthLargest = new KthLargest(3, [4, 5, 8, 2]);
kthLargest.add(3); // return 4
kthLargest.add(5); // return 5
kthLargest.add(10); // return 5
kthLargest.add(9); // return 8
kthLargest.add(4); // return 8提示：
1 <= k <= 1040 <= nums.length <= 104-104 <= nums[i] <= 104-104 <= val <= 104- 最多调用
add方法104次 - 题目数据保证，在查找第
k大元素时，数组中至少有k个元素
解题思路：优先级队列
这也是一道经典的 TOPK 问题，其实有两种做法，第一就是用优先级队列，时间复杂度为 O(nlogk)，第二就是之前学过的快速选择算法，时间复杂度可以近似为 O(n)，但是时间复杂度也就是 O(n)，这在海量数据处理中是接受不了的，所以一般解决这种问题我们还是使用优先级队列，但是第二种快速选择算法我们也要掌握！
因为这道题要求的是第 k 大的元素，所以我们要用小根堆。
不过这道题还是有些细节的，如果我们每次调用 add 函数的时候再去创建一个小根堆去进行 topk 处理的话，是需要重新遍历数组元素的，在这道题的测试用例中是会超时的，所以我们需要做点小优化！
我们可以将优先级队列作为成员变量，然后在构造函数中先处理完传入的 nums 数组中的元素，先将数据入堆，然后判断当堆元素达到 k 个之后，则将堆顶那个小的 pop 掉即可，那么之前入堆的小的元素就被弹出去了，一直就能保持堆中元素不大于 k 个！
然后每次在调用 add 的时候，只需要处理传入的 val 即可，就不需要每次重新处理一次数组中的元素了！
class KthLargest {
private:
int _k;
priority_queue<int, vector<int>, greater<int>> _heap; // 创建一个小根堆
public:
KthLargest(int k, vector<int>& nums) {
_k = k;
// 将数据入堆
for(int i = 0; i < nums.size(); ++i)
{
_heap.push(nums[i]);
// 注意当堆元素达到k个之后，则将堆顶那个小的pop掉即可
if(_heap.size() > _k)
_heap.pop();
}
}
int add(int val) {
// 将val加到堆中去
_heap.push(val);
// 然后将堆顶那个小的pop掉即可，最后堆顶就是第k大的数
if(_heap.size() > _k)
_heap.pop();
return _heap.top();
}
};
/**
* Your KthLargest object will be instantiated and called as such:
* KthLargest* obj = new KthLargest(k, nums);
* int param_1 = obj->add(val);
*/