溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容介紹了“PHP如何在兩個大文件中找出相同的記錄”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
給定a，b兩個文件, 分別有x，y行數據, 其中(x, y均大于10億), 機器內存限制100M，該如何找出其中相同的記錄?
處理該問題的困難主要是無法將這海量數據一次性讀內內存中.
一次性讀不進內存中，那么是否可以考慮多次呢？如果可以，那么多次讀入要怎么計算相同的值呢？
我們可以用分治思想， 大而化小。相同字符串的值hash過后是相等的, 那么我們可以考慮使用hash取模, 將記錄分散到n個文件中。這個n怎么取呢？ PHP 100M內存，數組大約可以存100w的數據, 那么按a,b記錄都只有10億行來算, n至少要大于200。
此時有200個文件，相同的記錄肯定在同一個文件中，并且每個文件都可以全部讀進內存。那么可以依次找出這200個文件中各自相同的記錄，然后輸出到同一個文件中，得到的最終結果就是a, b兩個文件中相同的記錄。
找一個小文件中相同的記錄很簡單了吧，將每行記錄作為hash表的key, 統計key的出現次數>=2就可以了。
10億各文件太大了，實操浪費時間，達到實踐目的即可。
問題規模縮小為: 1M內存限制, a, b各有10w行記錄, 內存限制可以用PHP的ini_set('memory_limit', '1M');來限制。
生成隨機數用于填充文件:
/** * 生成隨機數填充文件 * Author: ClassmateLin * Email: classmatelin.site@gmail.com * Site: https://www.classmatelin.top * @param string $filename 輸出文件名 * @param int $batch 按多少批次生成數據 * @param int $batchSize 每批數據的大小 */function generate(string $filename, int $batch=1000, int $batchSize=10000){ for ($i=0; $i<$batch; $i++) { $str = '';for ($j=0; $j<$batchSize; $j++) { $str .= rand($batch, $batchSize) . PHP_EOL; // 生成隨機數}file_put_contents($filename, $str, FILE_APPEND); // 追加模式寫入文件}}generate('a.txt', 10);generate('b.txt', 10);將a.txt, b.txt通過hash取模的方式分割到n個文件中.
/**
* 用hash取模方式將文件分散到n個文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸入文件名
* @param int $mod 按mod取模
* @param string $dir 文件輸出目錄
*/
function spiltFile(string $filename, int $mod=20, string $dir='files')
{
if (!is_dir($dir)){
mkdir($dir);
}
$fp = fopen($filename, 'r');
while (!feof($fp)){
$line = fgets($fp);
$n = crc32(hash('md5', $line)) % $mod; // hash取模
$filepath = $dir . '/' . $n . '.txt'; // 文件輸出路徑
file_put_contents($filepath, $line, FILE_APPEND); // 追加模式寫入文件
}
fclose($fp);
}
spiltFile('a.txt');
spiltFile('b.txt');執行splitFile函數, 得到如下圖files目錄的20個文件。
現在需要查找20個文件中相同的記錄, 其實也就是找一個文件中的相同記錄，操作個20次。
找一個文件中的相同記錄:
/**
* 查找一個文件中相同的記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $inputFilename 輸入文件路徑
* @param string $outputFilename 輸出文件路徑
*/
function search(string $inputFilename, $outputFilename='output.txt')
{
$table = [];
$fp = fopen($inputFilename, 'r');
while (!feof($fp))
{
$line = fgets($fp);
!isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未設置的值設1，否則自增
}
fclose($fp);
foreach ($table as $line => $count)
{
if ($count >= 2){ // 出現大于2次的則是相同的記錄，輸出到指定文件中
file_put_contents($outputFilename, $line, FILE_APPEND);
}
}
}找出所有文件相同記錄:
/**
* 從給定目錄下文件中分別找出相同記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $dirs 指定目錄
* @param string $outputFilename 輸出文件路徑
*/
function searchAll($dirs='files', $outputFilename='output.txt')
{
$files = scandir($dirs);
foreach ($files as $file)
{
$filepath = $dirs . '/' . $file;
if (is_file($filepath)){
search($filepath, $outputFilename);
}
}
}到這里已經解決了大文件處理的空間問題，那么時間問題該如何處理? 單機可通過利用CPU的多核心處理，不夠的話通過多臺服務器處理。
<?php
ini_set('memory_limit', '1M'); // 內存限制1M
/**
* 生成隨機數填充文件
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸出文件名
* @param int $batch 按多少批次生成數據
* @param int $batchSize 每批數據的大小
*/
function generate(string $filename, int $batch=1000, int $batchSize=10000)
{
for ($i=0; $i<$batch; $i++) {
$str = '';
for ($j=0; $j<$batchSize; $j++) {
$str .= rand($batch, $batchSize) . PHP_EOL; // 生成隨機數
}
file_put_contents($filename, $str, FILE_APPEND); // 追加模式寫入文件
}
}
/**
* 用hash取模方式將文件分散到n個文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸入文件名
* @param int $mod 按mod取模
* @param string $dir 文件輸出目錄
*/
function spiltFile(string $filename, int $mod=20, string $dir='files')
{
if (!is_dir($dir)){
mkdir($dir);
}
$fp = fopen($filename, 'r');
while (!feof($fp)){
$line = fgets($fp);
$n = crc32(hash('md5', $line)) % $mod; // hash取模
$filepath = $dir . '/' . $n . '.txt'; // 文件輸出路徑
file_put_contents($filepath, $line, FILE_APPEND); // 追加模式寫入文件
}
fclose($fp);
}
/**
* 查找一個文件中相同的記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $inputFilename 輸入文件路徑
* @param string $outputFilename 輸出文件路徑
*/
function search(string $inputFilename, $outputFilename='output.txt')
{
$table = [];
$fp = fopen($inputFilename, 'r');
while (!feof($fp))
{
$line = fgets($fp);
!isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未設置的值設1，否則自增
}
fclose($fp);
foreach ($table as $line => $count)
{
if ($count >= 2){ // 出現大于2次的則是相同的記錄，輸出到指定文件中
file_put_contents($outputFilename, $line, FILE_APPEND);
}
}
}
/**
* 從給定目錄下文件中分別找出相同記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $dirs 指定目錄
* @param string $outputFilename 輸出文件路徑
*/
function searchAll($dirs='files', $outputFilename='output.txt')
{
$files = scandir($dirs);
foreach ($files as $file)
{
$filepath = $dirs . '/' . $file;
if (is_file($filepath)){
search($filepath, $outputFilename);
}
}
}
// 生成文件
generate('a.txt', 10);
generate('b.txt', 10);
// 分割文件
spiltFile('a.txt');
spiltFile('b.txt');
// 查找記錄
searchAll('files', 'output.txt');title: PHP如何在兩個大文件中找出相同的記錄?
date: 2021-04-20 22:07:39
tags:
- 海量數據處理算法
- PHP
categories:
- 海量數據處理算法
給定a，b兩個文件, 分別有x，y行數據, 其中(x, y均大于10億), 機器內存限制100M，該如何找出其中相同的記錄?
處理該問題的困難主要是無法將這海量數據一次性讀內內存中.
一次性讀不進內存中，那么是否可以考慮多次呢？如果可以，那么多次讀入要怎么計算相同的值呢？
我們可以用分治思想， 大而化小。相同字符串的值hash過后是相等的, 那么我們可以考慮使用hash取模, 將記錄分散到n個文件中。這個n怎么取呢？ PHP 100M內存，數組大約可以存100w的數據, 那么按a,b記錄都只有10億行來算, n至少要大于200。
此時有200個文件，相同的記錄肯定在同一個文件中，并且每個文件都可以全部讀進內存。那么可以依次找出這200個文件中各自相同的記錄，然后輸出到同一個文件中，得到的最終結果就是a, b兩個文件中相同的記錄。
找一個小文件中相同的記錄很簡單了吧，將每行記錄作為hash表的key, 統計key的出現次數>=2就可以了。
10億各文件太大了，實操浪費時間，達到實踐目的即可。
問題規模縮小為: 1M內存限制, a, b各有10w行記錄, 內存限制可以用PHP的ini_set('memory_limit', '1M');來限制。
生成隨機數用于填充文件:
/** * 生成隨機數填充文件 * Author: ClassmateLin * Email: classmatelin.site@gmail.com * Site: https://www.classmatelin.top * @param string $filename 輸出文件名 * @param int $batch 按多少批次生成數據 * @param int $batchSize 每批數據的大小 */function generate(string $filename, int $batch=1000, int $batchSize=10000){ for ($i=0; $i<$batch; $i++) { $str = '';for ($j=0; $j<$batchSize; $j++) { $str .= rand($batch, $batchSize) . PHP_EOL; // 生成隨機數}file_put_contents($filename, $str, FILE_APPEND); // 追加模式寫入文件}}generate('a.txt', 10);generate('b.txt', 10);將a.txt, b.txt通過hash取模的方式分割到n個文件中.
/**
* 用hash取模方式將文件分散到n個文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸入文件名
* @param int $mod 按mod取模
* @param string $dir 文件輸出目錄
*/
function spiltFile(string $filename, int $mod=20, string $dir='files')
{
if (!is_dir($dir)){
mkdir($dir);
}
$fp = fopen($filename, 'r');
while (!feof($fp)){
$line = fgets($fp);
$n = crc32(hash('md5', $line)) % $mod; // hash取模
$filepath = $dir . '/' . $n . '.txt'; // 文件輸出路徑
file_put_contents($filepath, $line, FILE_APPEND); // 追加模式寫入文件
}
fclose($fp);
}
spiltFile('a.txt');
spiltFile('b.txt');執行splitFile函數, 得到如下圖files目錄的20個文件。
現在需要查找20個文件中相同的記錄, 其實也就是找一個文件中的相同記錄，操作個20次。
找一個文件中的相同記錄:
/**
* 查找一個文件中相同的記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $inputFilename 輸入文件路徑
* @param string $outputFilename 輸出文件路徑
*/
function search(string $inputFilename, $outputFilename='output.txt')
{
$table = [];
$fp = fopen($inputFilename, 'r');
while (!feof($fp))
{
$line = fgets($fp);
!isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未設置的值設1，否則自增
}
fclose($fp);
foreach ($table as $line => $count)
{
if ($count >= 2){ // 出現大于2次的則是相同的記錄，輸出到指定文件中
file_put_contents($outputFilename, $line, FILE_APPEND);
}
}
}找出所有文件相同記錄:
/**
* 從給定目錄下文件中分別找出相同記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $dirs 指定目錄
* @param string $outputFilename 輸出文件路徑
*/
function searchAll($dirs='files', $outputFilename='output.txt')
{
$files = scandir($dirs);
foreach ($files as $file)
{
$filepath = $dirs . '/' . $file;
if (is_file($filepath)){
search($filepath, $outputFilename);
}
}
}到這里已經解決了大文件處理的空間問題，那么時間問題該如何處理? 單機可通過利用CPU的多核心處理，不夠的話通過多臺服務器處理。
<?php
ini_set('memory_limit', '1M'); // 內存限制1M
/**
* 生成隨機數填充文件
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸出文件名
* @param int $batch 按多少批次生成數據
* @param int $batchSize 每批數據的大小
*/
function generate(string $filename, int $batch=1000, int $batchSize=10000)
{
for ($i=0; $i<$batch; $i++) {
$str = '';
for ($j=0; $j<$batchSize; $j++) {
$str .= rand($batch, $batchSize) . PHP_EOL; // 生成隨機數
}
file_put_contents($filename, $str, FILE_APPEND); // 追加模式寫入文件
}
}
/**
* 用hash取模方式將文件分散到n個文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $filename 輸入文件名
* @param int $mod 按mod取模
* @param string $dir 文件輸出目錄
*/
function spiltFile(string $filename, int $mod=20, string $dir='files')
{
if (!is_dir($dir)){
mkdir($dir);
}
$fp = fopen($filename, 'r');
while (!feof($fp)){
$line = fgets($fp);
$n = crc32(hash('md5', $line)) % $mod; // hash取模
$filepath = $dir . '/' . $n . '.txt'; // 文件輸出路徑
file_put_contents($filepath, $line, FILE_APPEND); // 追加模式寫入文件
}
fclose($fp);
}
/**
* 查找一個文件中相同的記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $inputFilename 輸入文件路徑
* @param string $outputFilename 輸出文件路徑
*/
function search(string $inputFilename, $outputFilename='output.txt')
{
$table = [];
$fp = fopen($inputFilename, 'r');
while (!feof($fp))
{
$line = fgets($fp);
!isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未設置的值設1，否則自增
}
fclose($fp);
foreach ($table as $line => $count)
{
if ($count >= 2){ // 出現大于2次的則是相同的記錄，輸出到指定文件中
file_put_contents($outputFilename, $line, FILE_APPEND);
}
}
}
/**
* 從給定目錄下文件中分別找出相同記錄輸出到指定文件中
* Author: ClassmateLin
* Email: classmatelin.site@gmail.com
* Site: https://www.classmatelin.top
* @param string $dirs 指定目錄
* @param string $outputFilename 輸出文件路徑
*/
function searchAll($dirs='files', $outputFilename='output.txt')
{
$files = scandir($dirs);
foreach ($files as $file)
{
$filepath = $dirs . '/' . $file;
if (is_file($filepath)){
search($filepath, $outputFilename);
}
}
}
// 生成文件
generate('a.txt', 10);
generate('b.txt', 10);
// 分割文件
spiltFile('a.txt');
spiltFile('b.txt');
// 查找記錄
searchAll('files', 'output.txt');“PHP如何在兩個大文件中找出相同的記錄”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
