题目说明:
输入要求:
共有两个文件,一个文件中包含2000万个email地址,每个email地址占文件中的一行;第二个文件中有1000个email,每个email地址占文件的一行。
输出要求:
输出一个1000行结果的文件,每行一个yes/no,表示1000个email是否在2000万email中。
分析:
海量字符串匹配问题,解决的算法有Trie树和Bloom Filter。Bloom Filter算法更容易理解,先用Bloom Filter来分析并解决问题。
Bloom Filter:
Bloom Filter中文称布隆过滤器,它的思想类似于bit map的思想,它通过Hash函数将一个email映射到二进制数组中的某一位。如果该位已经被置为1,则表明该email已经存在。可以很容易想到不同的email可能经过hash后会得到同一个值,这就是冲突(碰撞)。解决方法主要包括:多引入一些相互独立的hash函数以及将位数组开大一点。
C++版本的代码链接:https://github.com/ToWorld/Bloom-Filter
Trie树: