PHP で 2 つの大きなファイル内の同じレコードを見つけるにはどうすればよいですか?

データの x 行と y 行がそれぞれ含まれる 2 つのファイル a と b があるとします。ここで (x、y は両方とも 1 より大きい) 10 億 )、マシンのメモリは 100M に制限されています。同じレコードを見つけるにはどうすればよいですか? この問題を解決する際の主な困難は、この膨大なデータを一度にメモリに読み込むことができないことです。メモリに読み込めない場合は、一度に、複数回考えることができますか? 毛織物?一緒に議論しましょう

はじめに

それぞれ x 行と y 行のデータを含む 2 つのファイル a と b が与えられます。ここで (x、y はどちらも大きいです) 10 億以上)、マシンのメモリ制限は 100M、同じレコードを見つけるにはどうすればよいでしょうか?

考察

• 対処する際の主な困難この問題は、この大量のデータを一度にメモリに読み込むことはできません。

• #一度にメモリに読み込むことができない場合、複数回考えることができますか?可能であれば、複数回読み取った後、同じ値を計算するにはどうすればよいですか?

• 分割統治思考を使用して、大きなものを小さなものに減らすことができます。ハッシュ後の同じ文字列の値が等しい場合は、ハッシュモジュロを使用してレコードを n 個のファイルに分散することを検討できます。これを取得するにはどうすればよいですか? PHP には 100M のメモリがあり、配列には約 100 万のデータを格納できるため、レコード a と b の行数が 10 億行しかないことを考慮すると、n は少なくとも 200 より大きくなければなりません。

• 現時点では 200 個のファイルがあります。同じレコードが同じファイル内に存在する必要があり、各ファイルはメモリに読み込むことができます。次に、これら 200 個のファイルから同じレコードを順番に検索し、同じファイルに出力すると、最終的に 2 つのファイル a と b に同じレコードが含まれます。

• 小さなファイル内で同じレコードを見つけるのは非常に簡単です。レコードの各行をハッシュ テーブルのキーとして使用し、キーの出現回数 >= 2 を数えます。 。

実際の操作

10 億ファイルは大きすぎます。実際の操作は時間の無駄です。実用的な目的を達成するだけです。

問題のサイズは次のように削減されます: 1M メモリ制限、a と b にはそれぞれ 100,000 行のレコードがあります。メモリ制限は PHP の ini_set('memory_limit', '1M');# によって制限できます。 ##。

テスト ファイルの生成

ファイルを満たす乱数の生成:

/**
 * 生成随机数填充文件
 * Author: ClassmateLin
 * Email: classmatelin.site@gmail.com
 * Site: https://www.classmatelin.top
 * @param string $filename 输出文件名
 * @param int $batch 按多少批次生成数据
 * @param int $batchSize 每批数据的大小
 */function generate(string $filename, int $batch=1000, int $batchSize=10000){
    for ($i=0; $i<$batch; $i++) {
        $str = &#39;&#39;;
        for ($j=0; $j<$batchSize; $j++) {
            $str .= rand($batch, $batchSize) . PHP_EOL; // 生成随机数
        }
        file_put_contents($filename, $str, FILE_APPEND);  // 追加模式写入文件
    }}generate(&#39;a.txt&#39;, 10);generate(&#39;b.txt&#39;, 10);

ファイルの分割

##ハッシュ係数を使用して

a.txt
• 、b.txt を n 個のファイルに分割します。

  /**
   * 用hash取模方式将文件分散到n个文件中
   * Author: ClassmateLin
   * Email: classmatelin.site@gmail.com
   * Site: https://www.classmatelin.top
   * @param string $filename 输入文件名
   * @param int $mod 按mod取模
   * @param string $dir 文件输出目录
   */
  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 . '/' . $n . '.txt';  // 文件输出路径
          file_put_contents($filepath, $line, FILE_APPEND); // 追加模式写入文件
      }
  
      fclose($fp);
  }
  
  spiltFile('a.txt');
  spiltFile('b.txt');

splitFile

関数を使用して、以下に示すように files ディレクトリに 20 個のファイルを取得します。

重複レコードの検索

次に、20 個のファイルで同じレコードを検索する必要があります。実際には、1 つのファイルで同じレコードを検索する必要があります。 20回動作します。

#ファイル内の同じレコードの検索:

/**
 * 查找一个文件中相同的记录输出到指定文件中
 * Author: ClassmateLin
 * Email: classmatelin.site@gmail.com
 * Site: https://www.classmatelin.top
 * @param string $inputFilename 输入文件路径
 * @param string $outputFilename 输出文件路径
 */
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]++; // 未设置的值设1，否则自增
    }

    fclose($fp);

    foreach ($table as $line => $count)
    {
        if ($count >= 2){ // 出现大于2次的则是相同的记录，输出到指定文件中
            file_put_contents($outputFilename, $line, FILE_APPEND);
        }
    }
}

• #すべてのファイル内の同じレコードの検索:

  /**
   * 从给定目录下文件中分别找出相同记录输出到指定文件中
   * Author: ClassmateLin
   * Email: classmatelin.site@gmail.com
   * Site: https://www.classmatelin.top
   * @param string $dirs 指定目录
   * @param string $outputFilename 输出文件路径
   */
  function searchAll($dirs='files', $outputFilename='output.txt')
  {
      $files = scandir($dirs);
  
      foreach ($files as $file)
      {
          $filepath = $dirs . '/' . $file;
          if (is_file($filepath)){
              search($filepath, $outputFilename);
          }
      }
  }

• ##大容量ファイル処理の容量問題はここで解決しましたが、時間の問題はどうすればよいでしょうか? CPU のマルチコアを利用すれば 1 台のマシンで処理できます。複数のサーバーで処理されます。

• 完全なコード

  ログイン後にコピー

  推奨学習:「PHPビデオチュートリアル」

  以上がPHP で 2 つの大きなファイル内の同じレコードを見つけるにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。