大数据量下数据判重，有什么好的方法？

[leebs]

几十亿数据，提交一条数据，判断字段内容是否重复。 直接加索引，怕几十亿数据撑不住。

[ericls]

benchmark 了吗？

[BrettD]

bloom filter

[kera0a]

布隆过滤器，但会有一点点误判率。
误判率越小占用内存越大，速度非常快 O(1)

[wellsc]

文本段？分词+倒排索引

[leebs]

@kera0a 布隆的空间占用情况呢，几十亿数据不会内存都放不下了吧。

[levelworm]

不用全部对比吧，如果是分布式的话。更怕的是技术上不重但是业务上重。

[levelworm]

对了，op 用的是什么数据库呐？

[LeeReamond]

@kera0a 布隆过滤器一个问题是无法应对动态数据，实际业务里比如原先拦截 1 ，2 ，3 ，结果第二天业务上 2 从列表里删除了，布隆过滤器就比较吃瘪了

[murmur]

几十亿数据有分表或者分库么

[leebs]

@levelworm mongodb

[shawndev]

Cuckoo Filter?

[ElmerZhang]

分表+唯一索引

[ElmerZhang]

当前表不好拆的话，就专门为这个索引建个新表，给这个表分表+唯一索引。
写数据的时候用事务，两个表一起写。
另外，你只是担心抗不住，到底抗不抗得住还是要看压测，说不定就抗得住了呢。不过这么大的表改索引也得费点劲。

[kera0a]

@leebs 空间复杂度根据误判率来计算的
50 亿数据，误判率 0.001 大概需要 8G 内存

[ghoul5426]

居然没人说哈希，为每个数据计算一个哈希值，crc32 （ 32 位）、md5 （ 128 位）、sha1 （ 160 位）、sha256 （ 256 位）等都可以，可以把哈希值做主键或者唯一索引，可以用这个值来做分库分表的依据。