面试经历：如何从 100 亿 URL 中找出相同的 URL？
点击上方 蓝字 关注我们！
Java，Python，C/C++，Linux，PHP，Go，C#，QT，大数据，算法，软件教程，前端，简历，毕业设计等分类，资源在不断更新中... 点击领取！
题目描述
解答思路
方法总结
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。
往期推荐
END
若觉得文章对你有帮助，随手转发分享，也是我们继续更新的动力。
长按二维码，扫扫关注哦
✬「C语言中文网」官方公众号，关注手机阅读教程 ✬
目前收集的资料包括： Java，Python，C/C++，Linux，PHP，go，C#，QT，git/svn，人工智能，大数据，单片机，算法，小程序，易语言，安卓，ios，PPT，软件教程，前端，软件测试，简历，毕业设计，公开课 等分类，资源在不断更新中...