ruby - ruby 中的大数组操作非常慢

Question

我有以下场景:

我需要在一个非常大的集合中找出唯一的 ID 列表。

例如，我有 6000 个 id 数组(关注者列表)，每个数组的大小范围在 1 到 25000(他们的关注者列表)之间。

我想获得所有这些 ID 数组中的唯一 ID 列表(关注者的唯一关注者)。完成后，我需要减去另一个 ID 列表(另一个人的关注者列表)并获得最终计数。

最后一组唯一 ID 增长到大约 60,000,000 条记录。在 ruby​​ 中，将数组添加到大数组时，它开始变得非常慢，大约几百万。添加到集合中一开始需要 0.1 秒，然后增长到 200 万时需要超过 4 秒(离我需要去的地方不远)。

我用 java 编写了一个测试程序，它在不到一分钟的时间内完成了整个过程。

也许我在 ruby​​ 中效率低下，或者还有其他方法。由于我的主要代码是专有的，因此我编写了一个简单的测试程序来模拟该问题:

big_array = []
loop_counter = 0
start_time = Time.now
# final target size of the big array
while big_array.length < 60000000
 loop_counter+=1
 # target size of one persons follower list
 random_size_of_followers = rand(5000)
 follower_list = []
 follower_counter = 0
   while follower_counter < random_size_of_followers
     follower_counter+=1
     # make ids very large so we get good spread and only some amt of dupes
     follower_id = rand(240000000) + 100000
     follower_list << follower_id
   end
 # combine the big list with this list
 big_array = big_array | follower_list
 end_time = Time.now

 # every 100 iterations check where we are and how long each loop and combine takes.
 if loop_counter % 100 == 0
   elapsed_time = end_time - start_time
   average_time = elapsed_time.to_f/loop_counter.to_f
   puts "average time for loop is #{average_time}, total size of big_array is #{big_array.length}"
   start_time = Time.now
 end
end

有什么建议吗，是时候切换到 jruby 并将这样的东西移到 java 了吗？

Answer 1

您在那里使用的方法效率极低，所以速度很慢也就不足为奇了。当您尝试跟踪独特的事物时，数组比等效的哈希需要更多的处理。

这是一个将速度提高大约 100 倍的简单重构:

all_followers = { }
loop_counter = 0
start_time = Time.now

while (all_followers.length < 60000000)
  # target size of one persons follower list
  follower_list = []

  rand(5000).times do
    follower_id = rand(240000000) + 100000
    follower_list << follower_id
    all_followers[follower_id] = true
  end

 end_time = Time.now

 # every 100 iterations check where we are and how long each loop and combine takes.
 loop_counter += 1

  if (loop_counter % 100 == 0)
    elapsed_time = end_time - start_time
    average_time = elapsed_time.to_f/loop_counter.to_f
    puts "average time for loop is #{average_time}, total size of all_followers is #{all_followers.length}"
    start_time = Time.now
  end
end

散列的好处在于它不可能有重复项。如果您需要随时列出所有关注者，请使用 all_followers.keys 获取 ID。

哈希比数组占用更多的内存，但这是您必须为性能付出的代价。我还怀疑这里的大内存消耗者之一是生成的许多单独的关注者列表，这些列表似乎从未使用过，因此也许您可以完全跳过该步骤。

这里的关键是 Array | 运算符不是很有效，尤其是在对非常大的数组进行运算时。