海量数据实战（0）从两个文件50亿数据中找出相同的URL

**问题：**给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

目录：

---

方案1：每个文件50亿个URL，每个URL最长64个字节，可以估计每个文件安的大小为5000,000,000 ×64bit=320,000,000,000bit ≈ 300,000G，远远大于内存限制的4G，同时需要大硬盘（这里不考虑分布式计算）。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

• 遍历文件a，对每个url求取$hash(url)\%100,000$，然后根据所取得的值将url分别存储到100,000个小文件（记为$a_0,a_1,a_2,...,a_{99998},a_{99999}$）中。这样每个小文件的大约为3G。

• 遍历文件b，采取和a相同的方式将url分别存储到10000小文件中（记为$b_0,b_1,b_2,...,b_{99998},b_{99999}$）。这样处理后，所有可能相同的url都在对应的小文件（$a_{0}v.s.b_0,a_{1}v.s.b_1,...,a_{99999}v.s.b_{99999}$）中，不对应的小文件不可能有相同的url。然后我们只要求出10000对小文件中相同的url即可。

• 求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。

方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。

读者反馈@crowgns：

1. hash后要判断每个文件大小，如果hash分的不均衡有文件较大，还应继续hash分文件，换个hash算法第二次再分较大的文件，一直分到没有较大的文件为止。这样文件标号可以用A1-2表示（第一次hash编号为1，文件较大所以参加第二次hash，编号为2）
2. 由于1存在，第一次hash如果有大文件，不能用直接set的方法。建议对每个文件都先用字符串自然顺序排序，然后具有相同hash编号的（如都是1-3，而不能a编号是1，b编号是1-1和1-2），可以直接从头到尾比较一遍。对于层级不一致的，如a1，b有1-1，1-2-1，1-2-2，层级浅的要和层级深的每个文件都比较一次，才能确认每个相同的uri。

以上是网上流传最广的思路，基于以上想法。我主要有两点想法，

• 其一，优秀的哈希算法是经过密码学家证明推敲的，不会随着取模操作而造成大范围冲突。本文将使用到《字符串哈希算法——BKDRHash》算法。

• 其二，对于以上读者反馈中需要二次哈希的地方（这种概率极小）。可以将整个过程视为一场递归——即，将一次哈希中大小超过阈值的文件暂不处理（假设一次哈希后，所得文件$a_{9527}>10G$，那么这里先不处理它，而直接查询对应的$b_{9527}$，如果对应的b不存在，那么可以丢弃$a_{9527}$。否则，在后续处理中，对于$a_{9527}$使用另外一种哈希算法重新哈希，同时对$b_{9527}$也必须使用同一种哈希算法重新哈希，整个过程转化为了递归）。

以下是对上述算法的实现，

Step 1 产生50亿 URL

实际操作中，自定义N值大小即可，量力（硬盘）而行。这里没有产生50亿URL。

//[a,b]
#define random(a,b) ((rand()%(b-a+1))+a)
#define N 500000
string url  = "-0123456789abcdefghijklmnopqrstuvwxyz";
void generateUrl(string file)
{
	ofstream out(file);
	int n = 0;
	if (out.is_open()){
		for (int i = 0; i < N; ++i){
			int size = random(1,64);//64bit
			string s = "https://www.";
			for (int j = 0, l = 1; j < size; ++j){
				s += url[random(l,36)];//1+10+26-1=36
				l = (s[s.size()-1] == '-' || j >= size-1) ? 1: 0;
			}
			s+=".com/";
			out << s <<endl;
		}
		out.close();
	}
}

Step 2 将50亿URL大文件哈希为10000个小文件

具体牵涉到不少其他函数，下文将给出。

bool split_big_file(string file_name, string suffix, string store_path, unsigned long count_to_split)
{
	if (!file_name.size())
		return false;
	ifstream in(file_name);
	if (!in.is_open())
		return false;
	string line;
	while (getline(in, line)){
		string split_file_name = store_path;
		split_file_name += to_string(bkdr_hash(line.c_str()) % count_to_split);
		split_file_name += suffix;
		ofstream out(split_file_name, ios::app);
		if (!out.is_open()){
			in.close();
			return false;
		}
		out << line << endl;
		out.close();
	}
	in.close();
	return true;
}

Step 2.1 字符串哈希函数BKDRHash

更多的哈希函数，可以参阅上文中的链接。

unsigned long bkdr_hash(const char* str)
{
	unsigned int seed = 131;
	unsigned int hash = 0;
	while (*str){
		hash = hash*seed+(*str++);
	}
	return (hash & 0x7FFFFFFF);
}

Step 2.2 获取文件大小

获取文件大小的主要作用是——其一，使程序更具有鲁棒性，可以适应于任意大小的文件拆分，保证拆分后的小文件不超过指定内存大小。其二，判断拆分后的文件是否满足要求。

unsigned long get_file_size(string file_name)
{
	if (!file_name.size())
		return 0;
	struct stat file_info;
	return stat(file_name.c_str(),&file_info) ? 0 : file_info.st_size;
}

Step 2.3 获取某一目录下指定后缀的所有文件

这里仿照JAVA写了个endsWith函数，用于过滤后缀。

bool str_ends_with(string s, string sub)
{
	return s.rfind(sub)==(s.length()-sub.length());
}

vector<string> get_folder_file_name_list(string folder, string ends_with)
{
	struct dirent *ptr = NULL;
    DIR *dir = opendir(folder.c_str());
    vector<string> files_name;
    while ((ptr=readdir(dir))!=NULL){
        if (ptr->d_name[0] == '.')
            continue;
		if (str_ends_with(ptr->d_name, ends_with))
			files_name.push_back(ptr->d_name);
    }
    closedir(dir);
    return files_name;
}

Step 3 使用set将小文件进行求交操作，最终得到相同URL

bool write_same_url_to_file(string folder, string same_url_file_name)
{
	vector<string> files_name_a = get_folder_file_name_list(folder, ".a.txt");
	vector<string> files_name_b = get_folder_file_name_list(folder, ".b.txt");
	vector<string>::iterator iter;
	ofstream out(same_url_file_name, ios::app);
	if (!out.is_open())
		return false;
	for (int i = 0; i < files_name_a.size(); ++i){
		string s = files_name_a[i];
		s[s.size()-5] = 'b';
		if (get_file_size(files_name_a[i]) <= PER_FILE_SIZE \
				&& (iter = find(files_name_b.begin(), files_name_b.end(),s))\
			   	!= files_name_b.end()\
				&& get_file_size(*iter) <= PER_FILE_SIZE){
			set<string> a_set = get_file_hash_set(folder+files_name_a[i]);
			set<string> b_set = get_file_hash_set(folder+*iter);
			set<string> same_url_set = get_same_url_set(a_set, b_set);
			set<string>::iterator it = same_url_set.begin();
			for (; it != same_url_set.end(); ++it){
				out << *it << endl;
				cout<<*it<<endl;
			}
		}
	}
	out.close();
	return true;
}

可运行的程序获取地址：https://github.com/qingdujun/algorithm/tree/master/others/50billion-url

©qingdujun 2018-9-3 于 北京 海淀

References:
[1] https://blog.csdn.net/v_JULY_v/article/details/6685962 ,2018-9-3