PHP怎么在兩個大文件中找出相同記錄

本篇內容介紹了“PHP怎么在兩個大文件中找出相同記錄”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！

1、引言

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?

2、思路

• 處理該問題的困難主要是無法將這海量數據一次性讀進內存中.

• 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。

3、實操

10億個文件太大了，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。

4、生成測試文件

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);

5、分割文件

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。

6、查找重復記錄

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。

7、完整代碼

<?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怎么在兩個大文件中找出相同記錄”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！