本文章也同步至本人的CSDN博客中： http://blog.csdn.net/u012881584/article/details/70477832

今天来说一个Java中处理大文本字符串虑重的两个解决方案。

相信大家在实际工作中都遇到过数据重复的问题， 当然也就存在虑重的工作。
比如数据库中需要对同一个字段进行虑重， 大多数情况下我们直接使用Set就能解决问题， 今天我所说的这个大文本虑重是什么含义呢？一起来看看需求吧。
需求:
公司SEO人员给了我一个文本文件， 里面大概有三千多万行字符串， 他们的要求是希望我用最短的时间把这个文本文件重复的给删除掉。 起初我想的直接用excle去处理吧， 当时 因为这个文件都达到了几百兆， 所以编辑修改起来都很费劲。

这里直接給出解决思路：

首先脑海中想到的第一个就是用大数据去处理， 只是耳边经常听过Hadoop，Spark之类的词， 但是自己也并未真正接触过。于是便一通Google， 然后找到两个解决方案。

  • 利用布隆过滤器去解决。

  • 利用Spark的distinct去解决。

1， 布隆过滤器

  • 原理
    如果想判断一个元素是不是在一个集合里，一般想到的是将集合中所有元素保存起来，然后通过比较确定。链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。但是随着集合中元素的增加，我们需要的存储空间越来越大。同时检索速度也越来越慢。

Bloom Filter 是一种空间效率很高的随机数据结构，Bloom filter 可以看做是对 bit-map 的扩展, 它的原理是：

当一个元素被加入集合时，通过 K 个 Hash 函数将这个元素映射成一个位阵列（Bit array）中的 K 个点，把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：

如果这些点有任何一个 0，则被检索元素一定不在；
如果都是 1，则被检索元素很可能在。

  • 优点
    It tells us that the element either definitely is not in the set or may be in the set.
    它的优点是空间效率和查询时间都远远超过一般的算法，布隆过滤器存储空间和插入 / 查询时间都是常数O(k)。另外, 散列函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

  • 缺点
    但是布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

(误判补救方法是：再建立一个小的白名单，存储那些可能被误判的信息。)

另外，一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位数组变成整数数组，每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。

这里只是简单做个介绍， 有兴趣的盆友可以参考：

网友评论