我们一起聊聊如何精确查找重复数据?

开发 前端
所有的判重题目一定要有一个大前提,数据是什么类型的?如果是字符串,快速高效判重的方式都是模糊判重。想要精确判重需要记住分而治之的方式。如果是数字,使用Roaring Bitmap可以实现精确判重。

先说一下大前提

所有的判重题目一定要有一个大前提,数据是什么类型的?

如果是字符串,快速高效判重的方式都是模糊判重。想要精确判重需要记住分而治之的方式。

如果是数字,使用Roaring Bitmap可以实现精确判重。

一般的Roaring Bitmap是基于32位数字实现的,还有64位的升级版,逻辑相似。

如果对Roaring Bitmap算法不了解的,可以看下什么是Roaring Bitmap?。

直接上代码

我们先引入依赖:

<dependency>
    <groupId>org.roaringbitmap</groupId>
    <artifactId>RoaringBitmap</artifactId>
    <version>1.3.0</version>
</dependency>

我们这里就先使用数字实现了:

final RoaringBitmap a = new RoaringBitmap();
final RoaringBitmap b = new RoaringBitmap();
final Random random = new Random(Integer.MAX_VALUE);

final int nums = 1_000_000_000;
for (int i = 0; i < nums; i++) {
    a.add(random.nextInt());
    b.add(random.nextInt());
}

final RoaringBitmap intersection = RoaringBitmap.and(a, b);
System.out.println("重复数量:" + intersection.getLongCardinality());

我们使用sdk中的RoaringBitmap类创建Roaring Bitmap对象,然后循环向其中加入int类型数字。

然后借助RoaringBitmap.and计算交集,交集就是重复数据。

代码是不是很简单。

有时候,我们站在前人的肩膀上,就可以快速实现一些高效的逻辑。

如果数据是字符串呢?

前面提到,如果基础数据是字符串,比如url链接判重,上面的逻辑就只能是模糊判重了。

但是如何实现呢?

其实逻辑和布隆过滤器类似,借助离散hash算法,将字符串转换为数字,然后再将数字放入到Roaring Bitmap中。

因为这种方式一定会有hash碰撞,所以结果是模糊判重。

但是在实际场景中,我们其实是可以避免出现字符串判重情况的。

比如,我们想要判断两个人看的视频或者文章的重复内容时,我们可以记录视频或文章的ID。一般来说,为了更好的DB查找,ID我们会设置成数字。

这个时候,字符串的场景直接转变为数字场景了。

所以说,有的时候,路就在那,有石头堵住了前路,就迂回过去。

“曲成万物而不遗。”这世间万物,向来都是迂回曲折、无往不复的。水能直至大海,就是因为它巧妙地避开了各种障碍,不断拐弯前行;人能走向成功,就是因为能够灵活变通,及时拐弯调头。

曲成万物而不遗

文末总结

本文借助Roaring Bitmap实现10亿数据的精确判重。

假设我们需要对10亿URL精确判重如何实现呢?我们下回接着聊。

责任编辑:武晓燕 来源: 看山的小屋
相关推荐

2024-09-30 09:33:31

2023-04-03 00:09:13

2024-09-09 00:00:00

编写技术文档

2024-02-20 21:34:16

循环GolangGo

2021-08-27 07:06:10

IOJava抽象

2023-08-04 08:20:56

DockerfileDocker工具

2023-08-10 08:28:46

网络编程通信

2023-06-30 08:18:51

敏捷开发模式

2022-05-24 08:21:16

数据安全API

2023-09-10 21:42:31

2024-10-29 10:15:31

JMMJava

2021-12-10 07:45:48

字节音频视频

2021-11-04 06:58:31

CSS性能设备

2022-08-30 13:48:16

LinuxMySQL内存

2023-11-06 07:21:02

DBaaSApachealpha版本

2023-07-04 08:06:40

数据库容器公有云

2024-06-12 09:52:00

2022-12-05 09:10:21

2022-11-12 12:33:38

CSS预处理器Sass

2022-02-14 07:03:31

网站安全MFA
点赞
收藏

51CTO技术栈公众号