如何从 100 亿 URL 中找出相同的 URL？
大家好，我是磊哥。
磊哥，前几天，看到群里，粉丝讨论一个面试题：如何从 100 亿 URL 中找出相同的 URL？，今天也来考考大家，不过我已经整理好了，解题思路，往下一看便知！
题目描述
给定 a、b 两个文件，各存放 50 亿个 URL，每个 URL 各占 64B，内存限制是 4G。请找出 a、b 两个文件共同的 URL。
解答思路
每个 URL 占 64B，那么 50 亿个 URL 占用的空间大小约为 320GB。
5, 000, 000, 000 _ 64B ≈ 5GB _ 64 = 320GB
由于内存大小只有 4G，因此，我们不可能一次性把所有 URL 加载到内存中处理。对于这种类型的题目，一般采用分治策略 ，即：把一个文件中的 URL 按照某个特征划分为多个小文件，使得每个小文件大小不超过 4G，这样就可以把这个小文件读到内存中进行处理了。
思路如下 ：
首先遍历文件 a，对遍历到的 URL 求 hash(URL) % 1000 ，根据计算结果把遍历到的 URL 存储到 a0, a1, a2, ..., a999，这样每个大小约为 300MB。使用同样的方法遍历文件 b，把文件 b 中的 URL 分别存储到文件 b0, b1, b2, ..., b999 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, ..., a999 对应 b999，不对应的小文件不可能有相同的 URL。那么接下来，我们只需要求出这 1000 对小文件中相同的 URL 就好了。
接着遍历 ai( i∈[0,999] )，把 URL 存储到一个 HashSet 集合中。然后遍历 bi 中每个 URL，看在 HashSet 集合中是否存在，若存在，说明这就是共同的 URL，可以把这个 URL 保存到一个单独的文件中。
方法总结
分而治之，进行哈希取余； 对每个子文件进行 HashSet 统计。
近期技术热文
1、MyBatis-Plus常用API全套教程，看完秒懂！
2、MyBaits 的 insert方法一直返回"-2147482646"
3、骚操作 ！IDEA 防止写代码沉迷插件 !
5、语句中 where 条件后 写上 1=1 是什么意思！