【面试题-算法思想】如何从包含大量URL的A,B文件中找到相同的URL？

面试遇到的算法思想题，没有敲代码，只是整理并在头脑风暴后，重新叙述自己的思路。

文章目录

问题
- 暴力法思路
- 暴力延续（哈希思想）
- 分治思想
并行思想（后话）

问题

存在A,B文件内各包含1000G的URL，A文件内部的URL不重复，B文件内部的URL也不重复。内存3G，问如何找到A，B文件内相同的URL？

接着面试官在代码区直接敲出了几个例子：
A：
http://asdaasd.asdasd.asd
http://asdasdczxc.zxczxc/zxczxc
......
B：
http://asdasd.com/axzczxczxc/zxczxc
http://asdaasd.asdasd.asd  (找出的URL中包含这个)

问题可以抽象为：两个超大的字符串数组，找出所有相同的字符串。

（小声BB：绝对不能像我一样先傻傻地说能不能把http协议部分给压缩了…）

暴力法思路

取一个A文件内的URL，一段一段（不超内存）地遍历B文件内的URL，判断是否相同。

显然这种思路太慢了，一次只能遍历一个字符串，而且完全忽略了题目大容量的条件。时间复杂度是O（n²）

（小声BB：然鹅这种思路就是我当时说的…）

暴力延续（哈希思想）

延续暴力法的思想：暴力法中，我们每次仅拿到一条A文件中的URL，就去遍历一趟B文件。这种感觉像什么？

平行时空A中，某年级的学生有1000名（磁盘文件），每人多1枝铅笔，在另外一个平行时空B中，该年级对应的1000名同名学生中刚好每个人少了一枝铅笔。

已知有个时空穿梭者（内存）可以帮忙送笔，由于人数太多了，他不能一次性拿完1000枝笔送过去。这时候，他每次从A时空拿1枝铅笔，然后千里迢迢地去B时空，找到并送给那名同名学生铅笔。

不难看出来，他要来回穿梭1000 * 1000 = 1000 000 趟

So？
（虽然两只手拿的少，为什么不一次性拿多几枝笔一起送呢？）
（虽然内存小了点，为什么不一次性多捎几个URL一起比较呢？）

此时聪明的时空穿梭者想到了拿个箱子装10枝铅笔，只需要每枝铅笔记录一下是谁的。

即每枝铅笔对应一个姓名，每个URL对应一个hash值。

通过哈希集合hashset来存储一部分的A文件中的URL，在遍历B时只需判断该哈希集合是否已存在原本的URL即可。由于使用了hashset，故每次可以通过O（1）的时间复杂度就可以判断哈希集合内携带的一部分的URL。

不难看出来，由于1次取10枝铅笔，在时空A取100次铅笔就OK了，他只需要来回穿梭100 * 1000 = 100 000 趟

分治思想

上面的暴力延续只是一个常数级别的优化，但是已经有一种充分利用内存并使用哈希的思想了。

每次在B时空找对应的人，时空穿梭者累了。
“为什么拿几枝笔就要在B时空年级的全部学生中送笔呢？”
“他们怎么没有班级呢？！”
“我只需要在这个班上拿笔了，就去对应的班级找人就好了！”

于是乎，他去找了对应时空的校长，要求按姓名进行分班。比如李同学就分到李班，王同学就分到王班。
这样A时空的某个人分到了张班，那么对应的B时空的人肯定也分到了张班。

当然，文件AB可没有班级之分，我们需要拆分这两个大文件成一个个对应小文件。A文件分离出a1,a2,a3,a4…B文件分离出b1,b2,b3,b4…

我们拆分的要求是：如果B文件中b2中存在一个和A同名的URL，那么必定在小文件a2中，如果在a2里面找不到，那么就必不和A同名。

方法：假设我们分成n个小文件

对于文件A内所有的 URL 求 Hash( A-URL ) % n ，根据计算结果把遍历到的 URL 存储到 a₀, a₁, a₂, …, a_n-1。使用同样的方法遍历文件 B 中的 URL，分别存储到文件 b₀, b₁, b₂, …, b_n-1 中。这样处理过后，所有可能相同的 URL 都在对应的小文件中，即 a₀ 对应 b₀, …, a_n-1 对应 b_n-1，不对应的小文件不可能有相同的 URL。

接着遍历拆分后的每一个小文件a_i，把这个小文件的所有URL 存储到一个 HashSet 集合中。然后遍历 b_i 中每个 URL，看在 HashSet 集合中是否存在，如果是共同的 URL则必定存在，可以把这个 URL 保存到一个单独的文件中。

这里有一个小问题：我们怎么确保拆分后的小文件内的所有URL都能装在内存里的HashSet呢？

这就需要我们根据题目的要求进行调整拆分的文件数量n。只需要保证拆分后的每一个小文件大小容量不超过内存的容量就行。本题中，需要满足：

1000G总文件容量 / n个小文件 < 3G内存容量

即n > 334 个文件。确保每个小文件容量小于3G。这样便于让HashSet一次性存储一个A文件的所有URL。

自此，时空穿梭者一次性带着一个班级的铅笔，去找对应班级的人分发铅笔。

最后的思维导图

并行思想（后话）

（小声BB：最近学的并行计算，可惜了回顾的时候才想起来。）

时空乱流，B时空另外一个年级的学生铅笔又传到A时空对应年级的学生那里了。
“总不能每次都让我一个人去送铅笔吧？”
“让他们自己去找自己就好了吧~”

时空穿梭者教会了A年级所有的学生时空穿梭，让每个班的学生去找B时空的对应班级的自己。

为了提高效率，在划分完了小文件后，就可以创多个线程并行去寻找对应文件是否存在URL。
当然，这里的内存本来就限定死了，那就把几个文件发给别的服务器，让别的服务器帮忙跑下。