实际工程中的十亿条数据完全匹配查询

[beryl]

也算是一道常见的算法题：有十亿条 URL，来了一个新的 URL 判断是否在里面，提供在线服务

但是想着优先使用 mysql 查询，其次 ES, 想布隆过滤器等不适合在工程应用，要保证准确

现有思路，将 url 进行 md5 存储，作为主键 key 分表放在数据库。

但是不清楚具体这种情况下效率会是怎么样

[liprais]

为啥 bloom 过滤器不行?

[Jooooooooo]

"布隆过滤器等不适合在工程应用" "要保证准确"

没有理解布隆的精髓啊

[rahuahua]

@Jooooooooo 楼主这种情况确实不适合 bloom 呀

[lanmoyingsheng]

布隆过滤可以保证不存在。
感觉先布隆过滤，如果不存在直接返回；如果存在 再查 ES 或 mysql ；

[liuxu]

用 crc64 可以小一点，md5 得 32 位 char 做索引，然后 hash 拆库

[dongtingyue]

es 为啥不能保证准确？

[sampeng]

请问…用数据库，es 实现了。还考个什么算法？

[herozzm]

@dongtingyue #6 es 更新不能及时体现，只能说接近即时

[liuzhaowei55]

热数据放缓存，key hash 后分表，数据库如果用 mongo 单表 2 亿数据，加个索引就行了基本不需要特殊优化。

[swulling]

不需要数据库，使用 Hash 表就可以了，先做 Hash，然后进行取模 Mod N，分布到 N 个 Hash 表里。

估计需要 3 台 128G 内存的物理机就足够了。

[tisswb]

url 的话 那就先格式化，然后 md5，然后 redis

[fengpan567]

ES 为啥不能保证准确性？更新延迟？

[love]

md5 太大了，64 位 hash 算法如 xxhash 足够,hash 加个索引 where hash = ? and url = ?就行了

[THESDZ]

拆分 模拟树结构就好了

[aeli]

10 亿 url，做成短链？

[lambdaq]

先申请 10 万台服务器，每个服务器存 1 万条数据。这样是不是就简单了。2333

[chenqh]

感觉可以 md5 hash,要是觉得长， 可以只存前 16 位呀

[wangdashuai]

可以构造前缀树,这样可以压缩数据大小.

[abersheeran]

@wangdashuai 压缩前缀树面对十亿这个量级还是不够用的。我之前试过。

楼主这个需求，如果只是判断是否在里面，布隆过滤器就够了。十亿数据，根据最优概率公式算出来，错误率控制在万分之一左右，我记得也就一个多 GB 。

一份之前用过的 Python 代码贴出来以供参考：

https://gist.github.com/abersheeran/210f5c1a6f36721302f755e39a242e50

[abersheeran]

@abersheeran 如果要精准判断，这里就需要上一个 kv 索引了。这个参考一下 HBase 之类的数据库做法就行，也没啥别的好办法。