- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一个文件可能 30+GB 或更多。这个文件中的每一行都称为一条记录,由2列组成,如下所示
id1 id2
所有这 2 个 ID 都是整数(32 位)。我的工作是编写一个程序来删除所有重复的记录,使记录唯一,最后将唯一的 id2 输出到文件中。
有一些限制,最多允许30G内存,最好通过非多线程/进程程序高效地完成工作。
最初我想到了一个想法:由于内存限制,我决定读取文件n次,每次只在内存中保留那些记录为id1 % n = i (i = 0,1,2,..,n-1)
的记录。 .我使用的数据结构是 std::map<int, std::set<int> >
,它以id1为key,将id2放在id1的std::set
中.
这样,不会违反内存限制,但速度很慢。我认为这是因为作为 std::map
和 std::set
变大,插入速度下降。此外,我需要读取文件 n 次,每轮完成后,我必须清除 std::map
下一轮也需要一些时间。
我也尝试了hash,但它也不令我满意,我认为即使是300W buckets 也可能有太多的碰撞。
所以,我把我的问题贴在这里,帮助你们提供更好的数据结构或算法。
非常感谢。
附言
脚本(shell,python)是需要的,如果它能有效地完成的话。
最佳答案
除非我忽略了一个要求,否则应该可以在 Linux shell 上这样做
sort -u inputfile > outputfile
许多实现也使您能够以并行方式使用排序
:
sort --parallel=4 -u inputfile > outputfile
最多四个并行执行。
请注意,sort
可能会暂时占用 /tmp
中的大量空间。如果那里的磁盘空间不足,您可以使用 -T
选项将其指向磁盘上的另一个位置以用作临时目录。
(编辑:)关于效率的一些评论:
sort
已针对此进行了高度优化。排序
)。同样,优化这意味着大量工作,而对于 sort
,所有这些工作都已完成。sort
的一个缺点是它对输入行的字符串表示形式进行操作。如果您要编写自己的代码,您可以做的一件事(类似于您已经建议的)是将输入行转换为 64 位整数并对其进行哈希处理。如果你有足够的 RAM,这可能是一种在速度方面击败 sort
的方法,如果你让 IO 和整数转换非常快的话。我怀疑这可能不值得付出努力,因为 sort
易于使用,而且我认为速度足够快。关于c++ - 有效地删除所有重复记录,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12452804/
我知道如何通过iPhone开发创建sqlite数据库、向其中插入数据、删除行等,但我试图以编程方式删除整个数据库本身,但没有得到任何帮助。请有人指导我如何通过代码从设备中删除/删除整个 sqlite
请帮助指导如何在 Teradata 中删除数据库。 当我运行命令DROP DATABASE database_name时,我收到错误消息: *** Failure 3552 Cannot DROP d
Azure 警报规则的删除命令似乎不起作用,尝试了下面的方法,它返回状态为无内容,并且警报未被删除 使用的命令Remove-AzAlertRule -ResourceGroup "RGName"-Na
我在 flex 搜索中为大约50000个视频建立了索引,但是当它达到52000左右时,所有数据都被删除。嗯,这对我来说真的很奇怪,我没有为ES设置任何Heap大小或最小或最大大小的内存大小,因此它们没
我正在处理的问题是表单错误“输入由字母、数字、下划线或连字符组成的有效‘slug’。” 以下是我的表单字段验证: def clean_slug(self): slug = self.c
阅读文档,我希望 $("#wrap2").remove(".error") 从 中删除所有 .error 元素#wrap2。然而看看这个 JSFiddle: http://jsfiddle.net/h
嗨,我第一次尝试发现 laravel 我从 laravel 4.2 开始,我刚刚创建了一个新项目,但我误以为我写了这样的命令行 composer create-project laravel/lara
我已经在网上搜索了很长一段时间,但我找不到如何完全删除 apache 2.4 。 使用: Windows 7 c:\apache24\ 我已经尝试了所有命令,但没有任何效果。 httpd -k shu
可能是一个简单的答案,所以提前道歉(最少的编码经验)。 我正在尝试从任何列中删除具有特定字符串(经济 7)的任何行,并且一直在尝试离开此线程: How to drop rows from pandas
有几种方法可以删除/移除 vector 中的项目。 我有一个指针 vector ,我需要在类的析构函数中删除所有指针。 什么是最有效/最快甚至最安全的方式? // 1º std::for_each(v
我安装了一个 VNC 服务器并在某处阅读了我必须安装 xinetd 的信息。稍后我决定删除 VNC 服务器,所以我也删除了 xinetd。似乎 xinetd 删除了一些与 plesk 相关的文件,如果
我制作了一个从我们的服务器下载视频的应用。问题是: 当我取消下载时,我打电话: myAsyncTask.cancel(true) 我注意到,myAsyncTask 并没有在调用取消时停止...我的 P
是否可以在使用DELETE_MODEL删除模型之前检查模型是否存在我试图避免在尝试删除尚未创建的模型时收到错误消息。基本上我正在寻找对应的: DROP TABLE IF EXISTS 但对于模型。 最
我已经有了这个代码: 但它仍然会生成一个表行条目。 我想做的是,当输入的数量为0时,表行将被删除。请耐心等待,因为我是 php 和 mySQL 编码新手。 最佳答案 您忘记执行查询。应该是 $que
在 SharePoint 中,如果您删除/修改重复日历条目的单次出现,则不会真正删除/修改任何内容 - 相反,会创建一个新条目,告诉 SP 对于特定日期,该事件不存在或具有新参数. 因此,这可以通过删
在 routes.php 中我有以下路由: Route::post('dropzone', ['as' => 'dropzone.upload', 'uses' => 'AdminPhotoContr
在我的应用程序中,我正在尝试删除产品。当我第一次删除产品时,它会成功并且 URL 更改为/remove_category/15。我正在渲染到同一页面。现在,当我尝试删除另一个产品时,网址更改为/rem
这个问题被问了很多次,但给出的答案都是 GNU sed 特定的。 sed -i '' "/${FIND}/,+2d""$FILE" 给出“预期的上下文地址”错误。 有人可以给我一个例子,说明如何使用
在使用 V3 API 时,我找不到任何方法来删除和清理 Google map 。 我已经在 AJAX 站点中运行它,所以我想完全关闭它而无需重新加载页面。 我希望有一个 .unload() 或 .de
是否可以创建一个 Azure SQL 数据库用户来执行以下操作: 针对所有表和 View 进行 SELECT 创建/更改/删除 View 但用户不应该不拥有以下权限: 针对任何表或 View 插入/更
我是一名优秀的程序员,十分优秀!