文件排序去重新思路

我一直觉得思路是比较重要的。

 

前几天终于从一个充满了垃圾广告的网盘里下载到了传说中的 csdn 数据库（就是以前泄露的那个，现在被各种封杀了）

 

我写了个一个python脚本从中提取密码（用户名和邮箱我都不需要），用来做一个字典。

但是我发现，其中有很多是重复的，比如123456789之类的。

 

所以，第一个问题摆在了我的面前，怎么去重，怎么给文件中的数据去重。

 

我首先想到的就是python 中的先set在list。

 

然后我遇到了第二个问题，当这个字典文件比较大的时候，全部读取到内存是不合理的。

 

通过资料，我查到了一条linux命令，uniq，去重，我的字典有70MB左右，速度还可以接受。

 

第三个问题，如果数据量真的很大很大，我该如何处理呢？

 

这时候我想到了数据库，数据库设计中有一个约束，叫做唯一性约束，既已经插入的值，不能再次插入。

 

那么，我读取文件中的数据，尝试往数据库插入，如果数据库中已经存在，我就忽略此次插入。

这就满足了我的需求了。

 

我的第四个问题，我需要排序，简单的排序就是sorted了，Linux也有sort命令，那么，使用数据库应该也可以排序吧？

 

这里仅仅是一个思路，我还未做尝试，不过应该可行。