【面试题】如何从100亿个URL中找出相同的URL？

原文地址：8rr.co/FR7V

题目描述

给定 a、b 两个文件，各存放 50 亿个 URL，每个 URL 各占 64B，内存限制是 4G。请找出 a、b 两个文件共同的 URL。

初步分析

每个URL占64B，那么50亿个URL占用的空间大小约为320GB。
$5,000,000,000\times 64B\approx 5GB\times 64=320GB$

由于内存大小只有4G，因此，我们不可能一次性把所有 URL 加载到内存中处理。对于这种类型的题目，一般采用分治策略 ，即：把一个文件中的 URL 按照某个特征划分为多个小文件，使得每个小文件大小不超过 4G，这样就可以把这个小文件读到内存中进行处理了。

解题思路

首先遍历文件 a，对遍历到的 URL 求$hash(URL)\%1000$，根据计算结果把遍历到的 URL 存储到 $a_0,a_1,a_2,...,a_{999}$，这样每个大小约为 300MB。使用同样的方法遍历文件 b，把文件 b 中的 URL 分别存储到文件 $b_0,b_1,b_2,...,b_{999}$ 中。这样处理过后，所有可能相同的 URL 都在对应的小文件中，即 $a_0$ 对应 $b_0$, …, $a_{999}$ 对应 $b_{999}$，不对应的小文件不可能有相同的 URL。那么接下来，我们只需要求出这 1000 对小文件中相同的 URL 就好了。

接着遍历 $a_i(i\in [0,999])$，把 URL 存储到一个 HashSet 集合中。然后遍历 $b_i$ 中每个 URL，看在 HashSet 集合中是否存在，若存在，说明这就是共同的 URL，可以把这个 URL 保存到一个单独的文件中。

方法总结

1. 分治策略。分而治之，进行哈希取余；
2. 对每个子文件进行HashSet统计。