一个文件占用内存大小为5G x 64B = 320G，远大于实际内存4G，不能一次性载入内存。
把每个文件中的url进行hash(url)%1000，各得到1000个小文件，每个大约300MB
hash具有一个性质，哈希值相同的url不一定相同，但相同的url哈希之后的结果必定相同。
于是只需逐个分析两个文件的1000个小文件中对应小文件的结果，然后合并结果即可。
具体可以把一个小文件的url放进hash_set里，然后看另一个小文件的url在不在这个hahs_set里
一个文件占用内存大小为5G x 64B = 320G，远大于实际内存4G，不能一次性载入内存。
把每个文件中的url进行hash(url)%1000，各得到1000个小文件，每个大约300MB
hash具有一个性质，哈希值相同的url不一定相同，但相同的url哈希之后的结果必定相同。
于是只需逐个分析两个文件的1000个小文件中对应小文件的结果，然后合并结果即可。
具体可以把一个小文件的url放进hash_set里，然后看另一个小文件的url在不在这个hahs_set里
本文标题：两个文件各有50亿个url，每个url各64字节，内存限制是4G
本文链接：https://www.haomeiwen.com/subject/awwtjttx.html
网友评论