这是一个创建于 1209 天前的主题，其中的信息可能已经有所发展或是发生改变。
目前是利用 redis set 实现判断，但这么大的数据量与 redis 交互还是有点慢。
要求精准，不误判，不漏判
第 1 条附言 · 2021-08-01 21:35:46 +08:00
使用场景如下:
用户上传excel文件，需要解析文件并且禁止某一列的值存在相同的。还要查找出哪一行是重复的。
因为解析excel是个更加消耗资源的过程，且为了减少内存占用使用流式解析，即每次只能读取到一行记录。
并且文件可能很大，用java的set可能导致oom，现采用redis set，在内存中累计1000条，批量插入redis set中。 这是我能想到一定内存下的最好方式了。
布隆过滤器应该是不满足条件的，这里需要精准判断是否重复，不误判，漏判。
 |
1
ClarkAbe 2021-07-31 18:14:34 +08:00
AC 自动机试试？不过感觉会更....
|
 |
2
lerry 2021-07-31 18:27:14 +08:00
如果字符串比较长，可以先 hash 一下
|
 |
3
bagheer 2021-07-31 21:24:13 +08:00
按行存为 txt, 然后 sort -u
|
 |
4
Mohanson 2021-08-01 00:00:36 +08:00
前缀树
|
 |
5
wellsc 2021-08-01 00:01:45 +08:00 via iPhone
又到了布隆过滤器时刻了
|
 |
6
blackshadow 2021-08-01 00:25:39 +08:00 via iPhone
布隆，或者布谷鸟？
|
 |
7
Samuelcc 2021-08-01 14:41:17 +08:00 via Android
可以描述一下使用场景。
例如是已经有一个词库，不断有新的输入和词库查重，还是就是固定的百万字符串里找重复的？ 如果是前者，这个词库会有变化吗？ |
 |
8
sadfQED2 2021-08-02 10:04:51 +08:00 via Android
要求精确的话布隆过滤器就别瞎掺和了吧。
建议 1.redis set，redis 根本不是你的瓶颈，读文件才是瓶颈 2.楼上的前缀树也可以，但是实现比 redis set 方案复杂太多了 |
|
9
sadfQED2 2021-08-02 10:06:52 +08:00 via Android
另外提醒一下，excel 我记得最多就 5 万多行吧，jvm 堆内存搞大点，set 也不会 oom 吧
|
Select Language