給定a、b兩個文件，各存放50億個url，每個url各占用64字節，內存限制是4G，如何找出a、b文件共同的url？
阿新 • • 發佈：2017-10-19
.... 不同的 來看 相同 兩個文件 oom 兩個 存在 明顯
題目描述：給定a、b兩個文件，各存放50億個url，每個url各占用64字節，內存限制是4G，如何找出a、b文件共同的url？
分析：我們先來看如果要把這些URL全部加載到內存中，需要多大的空間。
1MB = 2^20 = 10^6 = 100W
1GB = 2^30 = 10^9 = 10億
50億 = 5G * 64 Byte = 320G
明顯是不可能全部加載到內存中的。我們可采用以下方法解決：
方法1：
采用Bloom filter，假設布隆過濾器的錯誤率為0.01，則位數組大小m約為輸入元素個數n的13倍，此時需要的哈希函數k約為8個。
元素個數：n = 5G 位數組大小：m = 5G * 13 = 65G = 650億 即需要650億個bit位才能達到錯誤率0.01 而我們擁有的內存可容納bit位個數：4G * 8bit = 32G bit = 320億，按此實現錯誤率大於0.01。
方法2：
分別掃描A，B兩個文件，根據hash(url)%k(k為正整數，比如k = 1000，那麽每個小文件只占用300M，內存完全可以放得下)將url劃分到不同的k個文件中，比如a0，a1,....a999;b0，b1，...b999；
這樣處理後相同的url肯定在對應的小文件中（a0 vs b0,a1 vs b1,...a999 vs b999）因為相同的url%1000的值肯定相同，不對應的小文件不可能有相同的url；
然後我們只要求出1000對小文件中相同的url即可。比如對於a0 vs b0，我們可以遍歷a0，將其中的url存放到hash_map中，然後遍歷b0，如果b0中的某個url在hash_map中，則說明此url在a和b中同時存在，保存下來即可。
給定a、b兩個文件，各存放50億個url，每個url各占用64字節，內存限制是4G，如何找出a、b文件共同的url？