algorithm - 从大文件中删除重复项

Question

我们有大量数据，我们想对它们执行一些操作。删除重复项是主要操作之一。

例如

a,me,123,2631272164
yrw,wq,1237,123712,126128361
yrw,dsfswq,1323237,12xcvcx3712,1sd26128361

这是一个文件中的三个条目，我们要在第一列的基础上删除重复项。因此，应删除第 3 行。每行可能有不同数量的列，但我们感兴趣的列将始终存在。

内存操作看起来不可行。

另一种选择是将数据存储在数据库中并从中删除重复项，但这又不是一项简单的任务。我应该遵循什么设计来将数据转储到数据库并删除重复项？

我假设人们一定遇到过这样的问题并解决了它。

我们通常如何解决这个问题？

PS:请将此视为现实生活中的问题而不是面试问题；)

Answer 1

如果键的数量也无法加载到内存中，则必须进行稳定(保留顺序)外部合并排序对数据进行排序，然后进行线性扫描以进行重复删除。或者您可以修改外部合并排序以在合并排序运行时提供重复消除。

我想因为这不是面试问题或者效率/优雅似乎不是问题(？)。编写一个 hack python 脚本，创建一个以第一个字段作为主键的表。解析这个文件，只将记录插入数据库，将插入包装到 try except 语句中。然后对表进行select *，解析数据，逐行写回文件。