字节一面:如何从 100 亿 URL 中找出相同的 URL?

沙海
沙海
沙海
718
文章
2
评论
2021年3月17日02:38:49
评论
4 1196字阅读3分59秒
摘要

速读摘要

速读摘要

点击上方蓝色"小哈学Java",选择"设为星标"回复"资源"获取独家整理的学习资料!由于内存大小只有4G,我们不可能一次性把所有URL加载到内存中处理。按照某个特征划分为多个小文件,使得每个小文件大小不超过4G,这样就可以把这个小文件读到内存中进行处理了。那么接下来,我们只需要求出这1000对小文件中相同的URL就好了。接着遍历ai(i∈[0,999]),把URL存储到一个HashSet集合中。

原文约 1065 | 图片 4 | 建议阅读 3 分钟 | 评价反馈

字节一面:如何从 100 亿 URL 中找出相同的 URL?

点击关注 ? 小哈学Java

点击上方蓝色“小哈学Java”,选择“设为星标”回复“资源”获取独家整理的学习资料!

题目描述

给定 a、b 两个文件,各存放 50 亿个 URL,每个 URL 各占 64B,内存限制是 4G。请找出 a、b 两个文件共同的 URL。

解答思路

每个 URL 占 64B,那么 50 亿个 URL 占用的空间大小约为 320GB。

5, 000, 000, 000 _ 64B ≈ 5GB _ 64 = 320GB

由于内存大小只有 4G,因此,我们不可能一次性把所有 URL 加载到内存中处理。对于这种类型的题目,一般采用分治策略 ,即:把一个文件中的 URL 按照某个特征划分为多个小文件,使得每个小文件大小不超过 4G,这样就可以把这个小文件读到内存中进行处理了。

思路如下 :

首先遍历文件 a,对遍历到的 URL 求 hash(URL) % 1000 ,根据计算结果把遍历到的 URL 存储到 a0, a1, a2, ..., a999,这样每个大小约为 300MB。使用同样的方法遍历文件 b,把文件 b 中的 URL 分别存储到文件 b0, b1, b2, ..., b999 中。这样处理过后,所有可能相同的 URL 都在对应的小文件中,即 a0 对应 b0, ..., a999 对应 b999,不对应的小文件不可能有相同的 URL。那么接下来,我们只需要求出这 1000 对小文件中相同的 URL 就好了。

接着遍历 ai( i∈[0,999] ),把 URL 存储到一个 HashSet 集合中。然后遍历 bi 中每个 URL,看在 HashSet 集合中是否存在,若存在,说明这就是共同的 URL,可以把这个 URL 保存到一个单独的文件中。

方法总结

  • 分而治之,进行哈希取余;

  • 对每个子文件进行 HashSet 统计。

字节一面:如何从 100 亿 URL 中找出相同的 URL?

1. Spring Boot 快速整合 Mybatis-Plus 入门教程 !解放生产力 !2. 大白话说清楚 Java 中的 this 和 super 关键字!3. 基于SpringBoot 的CMS系统,拿去开发企业官网真香4. 2020 国内互联网公司的薪酬、加班时长排名 !最近面试BAT,整理一份面试资料《Java面试BATJ通关手册》,覆盖了Java核心技术、JVM、Java并发、SSM、微服务、数据库、数据结构等等。获取方式:点“在看”,关注公众号并回复 Java 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。

谢谢支持哟 (*^__^*)

继续阅读
weinxin
资源分享QQ群
本站是一个IT技术分享社区, 会经常分享资源和教程; 分享的时代, 请别再沉默!
沙海
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: