这是一个创建于 1758 天前的主题，其中的信息可能已经有所发展或是发生改变。
数据占了 35g 左右存储,有标识每条数据的 id,还剩大约 7g 空闲空间,需要对这 35g 的数据去重,内存是 8g 的.如何对数据进行去重?
 |
1
alalida 2020-02-04 10:33:49 +08:00 via Android
你先想一想目标时间复杂度和空间复杂度。去重意味要查找，那最好也就对数时间复杂度。此外要看能否分批处理，数据有无规律。可以分批处理也会快很多。总之要先看数据长什么样。
|
 |
2
otakustay 2020-02-04 10:36:13 +08:00
数据是 35G，其中 id 部分有多大？不大的话哈希应该是有办法建起来的……
|
 |
3
shuangyeying 2020-02-04 10:39:03 +08:00
是裤子么？
|
 |
4
opengps 2020-02-04 10:39:44 +08:00
去重字段仅仅是 id 字段？还是全字段匹配？
|
 |
5
malusama 2020-02-04 10:44:37 +08:00
bloomfilter 有误差率
|
 |
7
fields OP @shuangyeying 不是的,亲
|
 |
11
wysnylc 2020-02-04 11:11:07 +08:00 via Android
把 id 提出来，还能有 35g ？
|
 |
12
ho121 2020-02-04 11:17:06 +08:00 via Android
对每条数据 hash 后存到哈希表或者二叉树中。
hash 算法也不需要碰撞率很低的那种，比如 crc32，crc64 这种简单的就行，这样可以加快 hash 速度，并减少内存使用。当碰到 hash 相同的，需要做完全匹配来判断数据是否真的是相等。 哈希表或者二叉树每个节点要存下每个 hash 对应的 id （可能有多个）。 数据用流式读取，或者扔进数据库中。 手机码字，有点乱 |
 |
13
grimpil 2020-02-04 11:18:08 +08:00 via Android  5
还以为是 35 克数据
|
 |
15
keepeye 2020-02-04 11:24:07 +08:00
遍历所有数据，id 字段走布隆过滤器去重 用不了多少内存
|
 |
16
mxT52CRuqR6o5 2020-02-04 11:26:58 +08:00 via Android
Bitmap
|
 |
17
binux 2020-02-04 11:29:05 +08:00
如果数据>>id，拿 id 出来随便爱怎么搞怎么搞
如果数据就是 id，每 7g 分片排序再 merge 排序。 |
 |
18
zengguibo 2020-02-04 11:57:32 +08:00
如果只是文本数据，压缩一下传到性能强内存大的机器上，直接导入内存去重
|
 |
19
Tlvncks 2020-02-04 12:06:51 +08:00
引用；@grimpil #13 还以为是 35 克数据
------------------------------------------------------- 我也看了半天，还在想 35g 啥玩意？难道想提纯？？ |
 |
20
Rekkles 2020-02-04 12:19:26 +08:00
数据 hash 然后对比去重？
有个笨一点的办法，数据导入 db 做唯一索引 一条一条导入，导入失败的就是重复的，牺牲时间换空间。 |
 |
21
coolcfan 2020-02-04 12:26:52 +08:00 via Android
跟 13 楼一样，看到是小写第一反应是 35 克数据……
|
 |
22
suotm 2020-02-04 12:36:19 +08:00
取 3.5G 做好去重的脚本，然后开一个 64GB 内存的云主机跑
|
 |
23
lululau 2020-02-04 12:36:41 +08:00 via iPhone
35g? 用什么称的？
|
 |
24
hhhsuan 2020-02-04 12:39:39 +08:00 via Android
大小写很重要啊
|
 |
25
netnr 2020-02-04 12:47:28 +08:00
直接执行开窗函数按 id 分组排序取大于 1 的项并删除，难道顶不住？
|
 |
26
ofblyt 2020-02-04 13:19:18 +08:00
最近做饭做的，看到 35g 还想 35 克去重（ zhong ）是给什么去皮吗
|
 |
27
yufeng0681 2020-02-04 13:28:10 +08:00
根据 id 第一位进行文件分拣（切割到），假设有 26 个字母，10 个数字； 估计每个文件 1G 左右，那样问题就变成了 1G 文件的处理
|
 |
28
gfreezy 2020-02-04 14:08:20 +08:00
shell 里面 sort | uniq 就可以。内存不够的时候 sort 会自动交换到磁盘上。
https://unix.stackexchange.com/questions/383056/sort-huge-list-130gb-in-linux |
|
32
fields OP @yufeng0681 id 是纯数字,剩余的空间只有 7 个 G
|
 |
34
fuye 2020-02-05 09:44:08 +08:00 via Android
create table tmp(id bigint，unique key id （ id ）)
insert into tmp select id from 你的表 |
Select Language