Java 超大文件统计

[MrXiong]

对于超大文件也就是无法一次性加载到内存，行数据是 key：value，统计同一个，key 的不同 value 个数，并输出到文件，格式为 key：n，输出的文件假设也很大，也无法加载到内存中，求思路

首先感谢各位老铁的回复，但是请看清题意，java 文件操作用的少，但是使用 java 类库我还是没问题的！

[zynlp]

这种活就交给 python 吧

[MrXiong]

@zynlp 语言其次的，思路是关键

[araraloren]

思路不就是读多少处理多少么。。

[huiyadanli]

把超大文件处理到数据库中，然后用 sql 统计数据

[wplct]

java 不是可以按行读取么

[wplct]

要不，先跑一边计数每个 key 有多少个 value，然后一个个 key 分开处理，慢是慢些

[xylophone21]

超大是多大？目的是什么？（考试还是工程）
如果是工程问题，最简单的方法其实是转嫁矛盾，读一行，写一条数据到文件行不行？文件不好查找，直接用数据库行不行？数据库还不够，分表行不行？分表还不行，用跟牛 X 的数据库分表啊。
如果是考试，那就往 hadoop 生态，MapReduce 上扯。

[MrXiong]

@xylophone21 直接上 MapReduce 进行处理？

[EchoUtopia]

postgres:
insert into words_count(word) values('example') on conflict do update count=words_count.count + 1 returning id

[wplct]

all_key = {}
with open('f.text') as f:
key = f.readline().split(':')[0]
if key not in all_key:
all_key[key] = 0
all_key[key] += 1

result = {}

for key in all_key.keys():
values = set()
with open('f.text') as f:
key, value = f.readline().split(':')
if key == key:
values.add(value)
result[key] = len(values)

[wplct]

你可以再改成一次跑多个 key 的统计，

[EchoUtopia]

postgres:
insert into words_count(word) values('example') on conflict do update set count=words_count.count + 1 returning id

[FreeEx]

流处理了解一下

[kaiser1992]

Java 读取文件哪有一次性加载到内存的

[EchoUtopia]

https://github.com/EchoUtopia/my-python-practices/blob/master/trie.js
之前用 js 统计了《心理学与生活》这本书的词频，用的前缀树，这本书纯文字只有 1M 多，我用 js 读取整本书、将单词插入前缀树、搜索一个单词、列出单词的频次并按照频次排序，所有操作加起来不到 0.5 秒。

[BBCCBB]

bufferreader 啊, 不都是流处理吗?

[SoCrazyStone]

Java 直接读就可以吧,不是一次加载进内存,然后存到数据库里,结束了再导到文件?

[wplct]

@EchoUtopia #15 想啥呢，内存放不下，应该是 gb 量级了

[pathbox]

一行一行的 read 处理 就没有大文件内存限制了

[rrfeng]

awk '!a[key:value]{n[key]++}END{for(i in n)print i,n[i]}'

[rockyou12]

lz 怕是从来没写过 java 的文件操作，如果直接用 stream 来读，本来就该用个小的 buffer 来读。不然直接用 nio 的 readline 就行了。自己谷歌下 java nio read file

[CoderGeek]

...一行一行就好了

[EchoUtopia]

@wplct #18 文件上 gb 量级不代表前缀树也有这么大。。

[wplct]

楼上的，楼主不是流式处理 ，是因为这个需求需要去重，一次性处理内存可能不够

[panpanpan]

导进数据库里面 group by 一下难道不是最简单的方式？

[MrXiong]

@panpanpan 这是公司的转正题目，使用数据库是不是不太好啊

[xmh51]

分而治之 把大文件拆分掉成 N 份 每份都计算 key 的 value count 值（需要带上 value ），然后把 key 按 hashcode 计算得到文件里面。最后合并结果文件

[xmh51]

感觉像算法题 果然是算法题 ......

[xmh51]

优化下 分而治之 读大文件不用拆分，一行一行读即可，直接计算 hashcode，把 key value 直接放到 N 份文件中的指定一个文件中。然后直接计算结果，最后合并结果

[MrXiong]

@xmh51 你的意思是每个 hash 一个文件吗，并且你忘记去重了

[verrickt]

先对文件用外部排序按 key 排序。然后读一行，看下一行的 key，一样的话加计数，不一样把计数写到输出文件里。大体上还是外部排序+归并的思路

[xmh51]

@MrXiong 去重在 hash 之后的一个步骤。一共两次 第一次 归并 key value 到指定文档，第二次 去重计算 count

[xmh51]

@MrXiong 第一次 归并 key value 到指定的 n 个文件中（保证 key 相同的数据在同一个文件中，可以用 hashcode 分），第二次 去重计算 count，最好合并结果

[20015jjw]

data base 课最基本的内容吧

[dangluren]

你好，这种问题，就和 mapreduce 类似了。如果你不用 mapreduce，可以这样做（其实也是 mapreduce 的原理）
假如数据有 10G，你内存 1G， 假设比较均匀，不存在数据倾斜情况（倾斜不能太严重）。
1. 你先一行一行的读取，然后得到 key 的 hashcode， 然后对%20，得到的数是几，就写到第几个文件去。
2. 由第一步你就得到了 20 个文件了，如果数据没倾斜，大概一个就 500M， 这时候同一个 key 的肯定在同一个文件，进行处理就可以了。
3. 如果有点数据倾斜，就%30, %50 的尝试。如果某一个 key 就超过了 1G，某个 key 很大的情况下，你可以先把这个 key 过滤出来，写入到一个文件中，然后再使用布隆过滤器或者其他什么方法

[kaiser1992]

采用分治思想，借助 Hadoop

[qingfengxm]

不知道你说的超大文件有多大？ 10G 还是 10T。你这说的其实就是大数据单词计数，mapreduce 或者 spark 搞定

[dif]

mapreduce