海量数据实战（0）从两个文件50亿数据中找出相同的URL

问题：给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

方案1：每个文件50亿个URL，每个URL最长64个字节，可以估计每个文件安的大小为5000,000,000 ×64bit=320,000,000,000bit $\approx$ 300,000G，远远大于内存限制的4G，同时需要大硬盘（这里不考虑分布式计算）。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

遍历文件a，对每个url求取 $hash(url)\%100,000$ ，然后根据所取得的值将url分别存储到100,000个小文件（记为 $a_0,a_1,a_2, ..., a_{99998},a_{99999}$ ）中。这样每个小文件的大约为3G。
遍历文件b，采取和a相同的方式将url分别存储到10000小文件中（记为 $b_0,b_1,b_2, ..., b_{99998},b_{99999}$ ）。这样处理后，所有可能相同的url都在对应的小文件（ $a_0 v.s. b_0, a_1 v.s. b_1, ..., a_{99999} v.s. b_{99999}$ ）中，不对应的小文件不可能有相同的url。然后我们只要求出10000对小文件中相同的url即可。
求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。

方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。

读者反馈@crowgns：

hash后要判断每个文件大小，如果hash分的不均衡有文件较大，还应继续hash分文件，换个hash算法第二次再分较大的文件，一直分到没有较大的文件为止。这样文件标号可以用A1-2表示（第一次hash编号为1，文件较大所以参加第二次hash，编号为2）
由于1存在，第一次hash如果有大文件，不能用直接set的方法。建议对每个文件都先用字符串自然顺序排序，然后具有相同hash编号的（如都是1-3，而不能a编号是1，b编号是1-1和1-2），可以直接从头到尾比较一遍。对于层级不一致的，如a1，b有1-1，1-2-1，1-2-2，层级浅的要和层级深的每个文件都比较一次，才能确认每个相同的uri。

以上是网上流传最广的思路，基于以上想法。我主要有两点想法，

其一，优秀的哈希算法是经过密码学家证明推敲的，不会随着取模操作而造成大范围冲突。本文将使用到《字符串哈希算法——BKDRHash》算法。
其二，对于以上读者反馈中需要二次哈希的地方（这种概率极小）。可以将整个过程视为一场递归——即，将一次哈希中大小超过阈值的文件暂不处理（假设一次哈希后，所得文件 $a_{9527} > 10G$ ，那么这里先不处理它，而直接查询对应的 $b_{9527}$ ，如果对应的b不存在，那么可以丢弃 $a_{9527}$ 。否则，在后续处理中，对于 $a_{9527}$ 使用另外一种哈希算法重新哈希，同时对 $b_{9527}$ 也必须使用同一种哈希算法重新哈希，整个过程转化为了递归）。

以下是对上述算法的实现，

Step 1 产生500亿 URL

实际操作中，自定义N值大小即可，量力（硬盘）而行。

//[a,b]
#define random(a,b) ((rand()%(b-a+1))+a)
#define N 500000
string url  = "-0123456789abcdefghijklmnopqrstuvwxyz";
void generateUrl(string file)
{
    ofstream out(file);
    int n = 0;
    if (out.is_open()){
        for (int i = 0; i < N; ++i){
            int size = random(1,64);//64bit
            string s = "https://www.";
            for (int j = 0, l = 1; j < size; ++j){
                s += url[random(l,36)];//1+10+26-1=36
                l = (s[s.size()-1] == '-' || j >= size-1) ? 1: 0;
            }
            s+=".com/";
            out << s <<endl;
        }
        out.close();
    }
}

Step 2 将500亿URL大文件哈希为10000个小文件

具体牵涉到不少其他函数，下文将给出。

bool split_big_file(string file_name, string suffix, string store_path, unsigned long count_to_split)
{
    if (!file_name.size())
        return false;
    ifstream in(file_name);
    if (!in.is_open())
        return false;
    string line;
    while (getline(in, line)){
        string split_file_name = store_path;
        split_file_name += to_string(bkdr_hash(line.c_str()) % count_to_split);
        split_file_name += suffix;
        ofstream out(split_file_name, ios::app);
        if (!out.is_open()){
            in.close();
            return false;
        }
        out << line << endl;
        out.close();
    }
    in.close();
    return true;
}

Step 2.1 字符串哈希函数BKDRHash

更多的哈希函数，可以参阅上文中的链接。

unsigned long bkdr_hash(const char* str)
{
    unsigned int seed = 131;
    unsigned int hash = 0;
    while (*str){
        hash = hash*seed+(*str++);
    }
    return (hash & 0x7FFFFFFF);
}

Step 2.2 获取文件大小

获取文件大小的主要作用是——其一，使程序更具有鲁棒性，可以适应于任意大小的文件拆分，保证拆分后的小文件不超过指定内存大小。其二，判断拆分后的文件是否满足要求。

unsigned long get_file_size(string file_name)
{
    if (!file_name.size())
        return 0;
    struct stat file_info;
    return stat(file_name.c_str(),&file_info) ? 0 : file_info.st_size;
}

Step 2.3 获取某一目录下指定后缀的所有文件

这里仿照JAVA写了个endsWith函数，用于过滤后缀。

bool str_ends_with(string s, string sub)
{
    return s.rfind(sub)==(s.length()-sub.length());
}

vector<string> get_folder_file_name_list(string folder, string ends_with)
{
    struct dirent *ptr = NULL;
    DIR *dir = opendir(folder.c_str());
    vector<string> files_name;
    while ((ptr=readdir(dir))!=NULL){
        if (ptr->d_name[0] == '.')
            continue;
        if (str_ends_with(ptr->d_name, ends_with))
            files_name.push_back(ptr->d_name);
    }
    closedir(dir);
    return files_name;
}

Step 3 使用set将小文件进行求交操作，最终得到相同URL

bool write_same_url_to_file(string folder, string same_url_file_name)
{
    vector<string> files_name_a = get_folder_file_name_list(folder, ".a.txt");
    vector<string> files_name_b = get_folder_file_name_list(folder, ".b.txt");
    vector<string>::iterator iter;
    ofstream out(same_url_file_name, ios::app);
    if (!out.is_open())
        return false;
    for (int i = 0; i < files_name_a.size(); ++i){
        string s = files_name_a[i];
        s[s.size()-5] = 'b';
        if (get_file_size(files_name_a[i]) <= PER_FILE_SIZE \
                && (iter = find(files_name_b.begin(), files_name_b.end(),s))\
                != files_name_b.end()\
                && get_file_size(*iter) <= PER_FILE_SIZE){
            set<string> a_set = get_file_hash_set(folder+files_name_a[i]);
            set<string> b_set = get_file_hash_set(folder+*iter);
            set<string> same_url_set = get_same_url_set(a_set, b_set);
            set<string>::iterator it = same_url_set.begin();
            for (; it != same_url_set.end(); ++it){
                out << *it << endl;
                cout<<*it<<endl;
            }
        }
    }
    out.close();
    return true;
}

可运行的程序获取地址：https://github.com/qingdujun/mdsa/tree/master/mdsa_url

References:
[1] https://blog.csdn.net/v_JULY_v/article/details/6685962 ,2018-9-3