- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我是 Java 的新手,所以如果我做错了什么,请原谅我。
我正在做一个项目,我需要快速扫描大量数据(CSV 有 5000 万行或更多行,每行 5 个条目)以查找重复项。我求助于使用 HashMap
,因为它的 .contains()
方法很快。
但是,我最终不得不在 map 中存储一百万个或更多键。每个键都与一个 int[] 数组相关联,该数组也有 1 到 100 个条目。很明显,除非我使用的笔记本电脑具有约 16 GB 的 RAM,否则我最终会收到 OutOfMemory
错误。
我在想,一旦 HashMap
获得超过 N 个键或一个键获得超过 N 个条目,我可以将它写在某个地方并清除它。但是,并不是所有的键或值都一次找到,所以我需要能够添加到写入的 HashMap 中,而不是覆盖它。
我搜索了很远,仍然找不到办法,所以非常感谢任何能提供帮助的人!
最佳答案
这里有很多选项,我将列出其中的一些:
-Xmx
compiler flag - 例如-Xmx3G
正如 Dimitry 所建议的那样,将为您提供 3 GB 的堆,而默认值 <= 1GB。存储较少的数据:您当前正在存储“1 到 100 个条目”的整行,而我们真正需要的只是知道数据是否唯一。 Arrays.hashCode()
函数为您提供了一个相当准确的指示,表明一行在单个 int
中是唯一的。 ,因此我们可以使用它来限制您需要在内存中保存的数据量:
构建两个HashSet<Integer>
对象,称为 seen
和 seenTwice
.遍历你的数据,并将每个数组的散列添加到 seen
, 和 seenTwice
如果它已经在 seen
中,像这样:
int[] arr = ... // construct the row's array
int hash = Arrays.hashCode(arr);
if(!seen.add(hash)) {
// add returns false if we've already seen this hash
seenTwice.add(hash);
}
现在我们有一组我们见过两次或更多次的散列;理论上,这将比我们文件中的行数小得多。我们可以让seen
收集垃圾,并使用 seenTwice
重新读取文件填充 HashSet<int[]> rows
实际数据,就像您第一次尝试做的那样:
int[] arr = ... // construct the row's array
int hash = Arrays.hashCode(arr);
if(seenTwice.contains(hash)) {
// If the hash isn't in seenTwice, we know it's not a duplicate
if(!rows.add(arr)) {
System.out.println("Row "+Arrays.toString(arr))+" is a duplicate!");
}
}
使用 Bash:如果您愿意放弃 Java,您可以使用基本的 bash 命令非常容易找到重复项:
cat filename | sort | uniq -d
使用数据库:正如您所暗示的那样,您可以使用一些内存不足的解决方案,尤其是数据库。一个好的、易于使用的 Java 数据库是 H2 ,但涵盖使用它超出了这个答案的范围。可以这么说,您可以将文件中的数据加载到数据库中,然后简单地查询重复行:Finding duplicate values in a SQL table
但是,仅仅为了在 5000 万行中查找重复项而设置数据库未免太过分了。我不推荐这个选项。
关于java - 对非常大的数据进行重复检测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25037383/
我正在编写一个具有以下签名的 Java 方法。 void Logger(Method method, Object[] args); 如果一个方法(例如 ABC() )调用此方法 Logger,它应该
我是 Java 新手。 我的问题是我的 Java 程序找不到我试图用作的图像文件一个 JButton。 (目前这段代码什么也没做,因为我只是得到了想要的外观第一的)。这是我的主课 代码: packag
好的,今天我在接受采访,我已经编写 Java 代码多年了。采访中说“Java 垃圾收集是一个棘手的问题,我有几个 friend 一直在努力弄清楚。你在这方面做得怎么样?”。她是想骗我吗?还是我的一生都
我的 friend 给了我一个谜语让我解开。它是这样的: There are 100 people. Each one of them, in his turn, does the following
如果我将使用 Java 5 代码的应用程序编译成字节码,生成的 .class 文件是否能够在 Java 1.4 下运行? 如果后者可以工作并且我正在尝试在我的 Java 1.4 应用程序中使用 Jav
有关于why Java doesn't support unsigned types的问题以及一些关于处理无符号类型的问题。我做了一些搜索,似乎 Scala 也不支持无符号数据类型。限制是Java和S
我只是想知道在一个 java 版本中生成的字节码是否可以在其他 java 版本上运行 最佳答案 通常,字节码无需修改即可在 较新 版本的 Java 上运行。它不会在旧版本上运行,除非您使用特殊参数 (
我有一个关于在命令提示符下执行 java 程序的基本问题。 在某些机器上我们需要指定 -cp 。 (类路径)同时执行java程序 (test为java文件名与.class文件存在于同一目录下) jav
我已经阅读 StackOverflow 有一段时间了,现在我才鼓起勇气提出问题。我今年 20 岁,目前在我的家乡(罗马尼亚克卢日-纳波卡)就读 IT 大学。足以介绍:D。 基本上,我有一家提供簿记应用
我有 public JSONObject parseXML(String xml) { JSONObject jsonObject = XML.toJSONObject(xml); r
我已经在 Java 中实现了带有动态类型的简单解释语言。不幸的是我遇到了以下问题。测试时如下代码: def main() { def ks = Map[[1, 2]].keySet()
一直提示输入 1 到 10 的数字 - 结果应将 st、rd、th 和 nd 添加到数字中。编写一个程序,提示用户输入 1 到 10 之间的任意整数,然后以序数形式显示该整数并附加后缀。 public
我有这个 DownloadFile.java 并按预期下载该文件: import java.io.*; import java.net.URL; public class DownloadFile {
我想在 GUI 上添加延迟。我放置了 2 个 for 循环,然后重新绘制了一个标签,但这 2 个 for 循环一个接一个地执行,并且标签被重新绘制到最后一个。 我能做什么? for(int i=0;
我正在对对象 Student 的列表项进行一些测试,但是我更喜欢在 java 类对象中创建硬编码列表,然后从那里提取数据,而不是连接到数据库并在结果集中选择记录。然而,自从我这样做以来已经很长时间了,
我知道对象创建分为三个部分: 声明 实例化 初始化 classA{} classB extends classA{} classA obj = new classB(1,1); 实例化 它必须使用
我有兴趣使用 GPRS 构建车辆跟踪系统。但是,我有一些问题要问以前做过此操作的人: GPRS 是最好的技术吗?人们意识到任何问题吗? 我计划使用 Java/Java EE - 有更好的技术吗? 如果
我可以通过递归方法反转数组,例如:数组={1,2,3,4,5} 数组结果={5,4,3,2,1}但我的结果是相同的数组,我不知道为什么,请帮助我。 public class Recursion { p
有这样的标准方式吗? 包括 Java源代码-测试代码- Ant 或 Maven联合单元持续集成(可能是巡航控制)ClearCase 版本控制工具部署到应用服务器 最后我希望有一个自动构建和集成环境。
我什至不知道这是否可能,我非常怀疑它是否可能,但如果可以,您能告诉我怎么做吗?我只是想知道如何从打印机打印一些文本。 有什么想法吗? 最佳答案 这里有更简单的事情。 import javax.swin
我是一名优秀的程序员,十分优秀!