查找两个大文件(1G以上)的相同内容PHP版

139 2月之前 PHP 算法 Hash

答案

这是是一个大文件处理,面试官出题的意图并不希望你两层for循环进行遍历,这种答案肯定是不会要的!

这道题目的解法思路是:

  1. 顺序读取两个文件的的全部记录
  2. 将每条记录经过hash->转换为10进制->%n后存到10个文件中,这样一共2G的数据分成10份,每份就是204.8M,低于内存限制
  3. 我可以一次读取一个文件,并用hash桶的方式得到单个文件中的内容是否有重复,因为每条记录都经过hash处理的,所以相同的记录肯定会在同一个文件中。

下面是伪代码:

/**
 * 将两个文件中的每条记录通过hash求余后分别存入10个文件中
 * 如果某个文件太大,超过限制内存大小,则可以对其再次hash求余
 */
$handler = fopen('file_a_AND_file_b', 'r');

while ($line = fgetc($handler)) {
    $save_to_file_name = crc32(hash('md5', $line)) % 10;
    file_put_contents($save_to_file_name, $line);     
}

/**
 *
 */
$files = [ '10个文件的路径' ];
foreach ($files as $file) {
    $handler = fopen($file, 'r');
    $tmp_arr = [];
    while($line = fgetc($handler)) {
        if(isset($tmp_arr[$line])) {
            file_put_contents('common_content.txt', $line);
        } else {
            $tmp_arr[$line] = true;
        }
    }

}