网站建设实训报告/新闻发稿软文推广

-- 问题：5G的文本TXT文件,按行存放URL,设计去重

        -- 条件：1G内存的机器

-- 布隆过滤器，做过爬虫的程序员，会立马想到；

这里如果按常规方式，该如何入手呢

先说思想解决，不说实际代码实现；

1. 内存1G，所以大文件首先要分割；如分割为20个文件，那么每个可以做到接近250M左右

2. 拿前面的3个文件做案例：

A B C  3个文件，每个250M；首先做到加载没有问题

1.A 文件读取到SetA中，此时集合中A的URL不重复

2.B文件读取到SetB中；

3.SetA 和SetB比较，将集合A和B中相同项都剔除；

4.清空SetB；

5.加载C文件；SetA 和SetC比较,将集合A和C中相同项都剔除；

6.前三个文件A比较完成，生成和B,C文件完全不重复的A1文件

依次类推：

总拿前面的一个文件内容和后面文件对比，对比一轮完成的那个文件；

就绝对是完全不重复的内容了

--------------------- 
作者：袁义锐 
来源：CSDN 
原文：https://blog.csdn.net/u010235716/article/details/78142649 
版权声明：本文为博主原创文章，转载请附上博文链接！