PHP如何在两个大文件中找出相同的记录?

概述PHP如何在两个大文件中找出相同的记录?

给定a，b两个文件, 分别有x，y行数据, 其中(x, y均大于10亿), 机器内存限制100M，该如何找出其中相同的记录?思路处理该问题的困难主要是无法将这海量数据一次性读内内存中.一次性读不进内存中，那么是否可以考虑多次呢？我们一起探讨吧引言

给定a，b两个文件, 分别有x，y行数据, 其中(x, y均大于10亿), 机器内存限制100M，该如何找出其中相同的记录?

思路

处理该问题的困难主要是无法将这海量数据一次性读内内存中.

一次性读不进内存中，那么是否可以考虑多次呢？如果可以，那么多次读入要怎么计算相同的值呢？

我们可以用分治思想， 大而化小。相同字符串的值hash过后是相等的, 那么我们可以考虑使用hash取模, 将记录分散到n个文件中。这个n怎么取呢？ PHP 100M内存，数组大约可以存100w的数据, 那么按a,b记录都只有10亿行来算, n至少要大于200。

此时有200个文件，相同的记录肯定在同一个文件中，并且每个文件都可以全部读进内存。那么可以依次找出这200个文件中各自相同的记录，然后输出到同一个文件中，得到的最终结果就是a, b两个文件中相同的记录。

找一个小文件中相同的记录很简单了吧，将每行记录作为hash表的key, 统计key的出现次数>=2就可以了。

实 ***

10亿各文件太大了，实 *** 浪费时间，达到实践目的即可。

问题规模缩小为: 1M内存限制, a, b各有10w行记录, 内存限制可以用PHP的ini_set('memory_limit', '1M');来限制。

生成测试文件

生成随机数用于填充文件:

/** * 生成随机数填充文件 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $filename 输出文件名 * @param int $batch 按多少批次生成数据 * @param int $batchSize 每批数据的大小 */function generate(string $filename, int $batch=1000, int $batchSize=10000){    for ($i=0; $i<$batch; $i++) {        $str = '';        for ($j=0; $j<$batchSize; $j++) {            $str .= rand($batch, $batchSize) . PHP_Eol; // 生成随机数        }        file_put_contents($filename, $str, file_APPEND);  // 追加模式写入文件    }}generate('a.txt', 10);generate('b.txt', 10);

分割文件

将a.txt, b.txt通过hash取模的方式分割到n个文件中.

/** * 用hash取模方式将文件分散到n个文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $filename 输入文件名 * @param int $mod 按mod取模 * @param string $dir 文件输出目录 */function spiltfile(string $filename, int $mod=20, string $dir='files'){    if (!is_dir($dir)){        mkdir($dir);    }    $fp = fopen($filename, 'r');    while (!feof($fp)){        $line = fgets($fp);        $n = crc32(hash('md5', $line)) % $mod; // hash取模        $filepath = $dir . '/' . $n . '.txt';  // 文件输出路径        file_put_contents($filepath, $line, file_APPEND); // 追加模式写入文件    }    fclose($fp);}spiltfile('a.txt');spiltfile('b.txt');

执行splitfile函数, 得到如下图files目录的20个文件。

查找重复记录

现在需要查找20个文件中相同的记录, 其实也就是找一个文件中的相同记录， *** 作个20次。

找一个文件中的相同记录:

/** * 查找一个文件中相同的记录输出到指定文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $inputfilename 输入文件路径 * @param string $outputfilename 输出文件路径 */function search(string $inputfilename, $outputfilename='output.txt'){    $table = [];    $fp = fopen($inputfilename, 'r');    while (!feof($fp))    {        $line = fgets($fp);        !isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未设置的值设1，否则自增    }    fclose($fp);    foreach ($table as $line => $count)    {        if ($count >= 2){ // 出现大于2次的则是相同的记录，输出到指定文件中            file_put_contents($outputfilename, $line, file_APPEND);        }    }}

找出所有文件相同记录:

/** * 从给定目录下文件中分别找出相同记录输出到指定文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $dirs 指定目录 * @param string $outputfilename 输出文件路径 */function searchAll($dirs='files', $outputfilename='output.txt'){    $files = scandir($dirs);    foreach ($files as $file)    {        $filepath = $dirs . '/' . $file;        if (is_file($filepath)){            search($filepath, $outputfilename);        }    }}

到这里已经解决了大文件处理的空间问题，那么时间问题该如何处理? 单机可通过利用cpu的多核心处理，不够的话通过多台服务器处理。

完整代码

<?PHPini_set('memory_limit', '1M'); // 内存限制1M/** * 生成随机数填充文件 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $filename 输出文件名 * @param int $batch 按多少批次生成数据 * @param int $batchSize 每批数据的大小 */function generate(string $filename, int $batch=1000, int $batchSize=10000){    for ($i=0; $i<$batch; $i++) {        $str = '';        for ($j=0; $j<$batchSize; $j++) {            $str .= rand($batch, $batchSize) . PHP_Eol; // 生成随机数        }        file_put_contents($filename, $str, file_APPEND);  // 追加模式写入文件    }}/** * 用hash取模方式将文件分散到n个文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $filename 输入文件名 * @param int $mod 按mod取模 * @param string $dir 文件输出目录 */function spiltfile(string $filename, int $mod=20, string $dir='files'){    if (!is_dir($dir)){        mkdir($dir);    }    $fp = fopen($filename, 'r');    while (!feof($fp)){        $line = fgets($fp);        $n = crc32(hash('md5', $line)) % $mod; // hash取模        $filepath = $dir . '/' . $n . '.txt';  // 文件输出路径        file_put_contents($filepath, $line, file_APPEND); // 追加模式写入文件    }    fclose($fp);}/** * 查找一个文件中相同的记录输出到指定文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $inputfilename 输入文件路径 * @param string $outputfilename 输出文件路径 */function search(string $inputfilename, $outputfilename='output.txt'){    $table = [];    $fp = fopen($inputfilename, 'r');    while (!feof($fp))    {        $line = fgets($fp);        !isset($table[$line]) ? $table[$line] = 1 : $table[$line]++; // 未设置的值设1，否则自增    }    fclose($fp);    foreach ($table as $line => $count)    {        if ($count >= 2){ // 出现大于2次的则是相同的记录，输出到指定文件中            file_put_contents($outputfilename, $line, file_APPEND);        }    }}/** * 从给定目录下文件中分别找出相同记录输出到指定文件中 * Author: Classmatelin * Email: [email protected] * Site: https://www.classmatelin.top * @param string $dirs 指定目录 * @param string $outputfilename 输出文件路径 */function searchAll($dirs='files', $outputfilename='output.txt'){    $files = scandir($dirs);    foreach ($files as $file)    {        $filepath = $dirs . '/' . $file;        if (is_file($filepath)){            search($filepath, $outputfilename);        }    }}// 生成文件generate('a.txt', 10);generate('b.txt', 10);// 分割文件spiltfile('a.txt');spiltfile('b.txt');// 查找记录searchAll('files', 'output.txt');

推荐学习：《PHP视频教程》 总结

以上是编程之家为你收集整理的PHP如何在两个大文件中找出相同的记录?全部内容，希望文章能够帮你解决PHP如何在两个大文件中找出相同的记录?所遇到的程序开发问题。

如果觉得编程之家网站内容还不错，欢迎将编程之家网站推荐给程序员好友。