|
数据库中有有一张表专门存储用户的维度数据，由于随着时间的推移，用户的维度数据也可能发生变化，故每一次查看都会保存一次记录。 现在需要对数据按用户分析，但当中有大量的重复数据，仅用数据库的等值去重明显不可行。 对数据内容求MD5值
根据MD5值的特点，对每条记录的维度数据内容计算MD5值，然后根据MD5值判断重复记录。 对数据入库之后利用sql直接查出重复数据，然后将重复数据移除或者标记。 至少在现阶段内存和CPU的执行效率在固定时间内是有限的，大量的数据的查重和去重处理不可能同时在内存中进行。就像外部排序算法和内部排序算法差别很大，遇到此类大量数据查重问题对算法进行设计是有必要的。 布隆过滤器 布隆过滤器是一种采用hash法进行查重的工具。它将每一条数据进行n次独立的hash处理，每次处理得到一个整数，总共得到n个整数。使用一个很长的数组表示不同的整数，每一次插入操作把这n个整数对应的位置的0设置为1（如果已经被设置为1则不变）。下次查找的时候经过同样的计算，如果这几个位置都是1则说明已经存在。 布隆过滤器的优点是使用方便，因为并不将key存放进内存所以十分节省空间，多个hash算法无关，可以并发执行效率高。缺点也是显而易见的，这种算法是可能出现错误，有误判率这种概念。通过hash的次数我们可以降低误判率，但是不能保证没有误判的情况。 BitMap 比如有2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。 一个数字的状态只有三种，分别为不存在，只有一个，有重复。因此，我们只需要2bits就可以对一个数字的状态进行存储了，假设我们设定一个数字不存在为00，存在一次01，存在两次及其以上为11。那我们大概需要存储空间几十兆左右。接下来的任务就是遍历一次这2.5亿个数字，如果对应的状态位为00，则将其变为01；如果对应的状态位为01，则将其变为11；如果为11，,对应的转态位保持不变。 最后，我们将状态位为01的进行统计，就得到了不重复的数字个数，时间复杂度为O(n)。 hash分组 如果有两份50G的数据，要查重，内存4G，怎么查？ 想法是先将50G的数据分别做hash%1000，分成1000个文件，理论上hash做得好那么这1000个文件的大小是差不多接近的。如果有重复，那么A和B的重复数据一定在相对同一个文件内，因为hash结果是一样的。将1000个文件分别加载进来，一一比对是否有hash重复。这种想法是先把所有数据按照相关性进行分组，相关的数据会处于同样或者接近的位置中，再将小文件进行对比。 有1千万条短信，找出重复出现最多的前10条？ 可以用哈希表的方法对1千万条分成若干组进行边扫描边建散列表。第一次扫描，取首字节，尾字节，中间随便两字节作为Hash Code，插入到hash table中。并记录其地址和信息长度和重复次数，1千万条信息，记录这几个信息还放得下。同Hash Code且等长就疑似相同，比较一下。相同记录只加1次进hash table，但将重复次数加1。一次扫描以后，已经记录各自的重复次数，进行第二次hash table的处理。用线性时间选择可在O（n）的级别上完成前10条的寻找。分组后每份中的top10必须保证各不相同，可hash来保证，也可直接按hash值的大小来分类。 使用数据库建立关键字段（一个或者多个）建立索引进行去重 根据url地址进行去重 使用场景：url地址对应的数据不会变的情况，url地址能够唯一判别一条数据的情况 思路： url存在Redis中 拿到url地址，判断url在Redis的集合中是否存在 存在：说明url地址已经被请求过了，不在请求 不存在：说明url地址没有被请求过，请求，把该url地址存入Redis的集合中 布隆过滤器： 使用多个加密算法加密url地址，得到多个值 往对应值的位置把结果设置为1 新来的一个url地址，一样通过加密算法生成多个值 如果对应位置的值全为1，说明这个url地址已经被抓取过了 否则没有被抓取过，就把对应的位置的值设置为1 根据数据本身进行去重： 选择特定的字段（能够唯一标识数据的字段），使用加密算法（MD5，sha1）将字段进行加密，生成字符串，存入Redis的集合中 后续新来一条数据，同样的方式进行加密， 如果得到的字符串在Redis中存在，说明数据存在，对数据进行更新， 否则说明数据不存在，对数据进行插入。 |
|
|
