大文本字符串滤重的解决方案（转)

本文章也同步至本人的CSDN博客中： http://blog.csdn.net/u012881584/article/details/70477832

今天来说一个Java中处理大文本字符串虑重的两个解决方案。

相信大家在实际工作中都遇到过数据重复的问题， 当然也就存在虑重的工作。
比如数据库中需要对同一个字段进行虑重， 大多数情况下我们直接使用Set就能解决问题， 今天我所说的这个大文本虑重是什么含义呢？一起来看看需求吧。
需求:
公司SEO人员给了我一个文本文件， 里面大概有三千多万行字符串， 他们的要求是希望我用最短的时间把这个文本文件重复的给删除掉。 起初我想的直接用excle去处理吧， 当时 因为这个文件都达到了几百兆， 所以编辑修改起来都很费劲。

这里直接給出解决思路：

首先脑海中想到的第一个就是用大数据去处理， 只是耳边经常听过Hadoop，Spark之类的词， 但是自己也并未真正接触过。于是便一通Google， 然后找到两个解决方案。

• 利用布隆过滤器去解决。
• 利用Spark的distinct去解决。

1， 布隆过滤器

• 原理
  如果想判断一个元素是不是在一个集合里，一般想到的是将集合中所有元素保存起来，然后通过比较确定。链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。但是随着集合中元素的增加，我们需要的存储空间越来越大。同时检索速度也越来越慢。

Bloom Filter 是一种空间效率很高的随机数据结构，Bloom filter 可以看做是对 bit-map 的扩展, 它的原理是：

当一个元素被加入集合时，通过 K 个 Hash 函数将这个元素映射成一个位阵列（Bit array）中的 K 个点，把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：

如果这些点有任何一个 0，则被检索元素一定不在；
如果都是 1，则被检索元素很可能在。

• 优点
  It tells us that the element either definitely is not in the set or may be in the set.
  它的优点是空间效率和查询时间都远远超过一般的算法，布隆过滤器存储空间和插入 / 查询时间都是常数O(k)。另外, 散列函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

• 缺点
  但是布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

(误判补救方法是：再建立一个小的白名单，存储那些可能被误判的信息。)

另外，一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位数组变成整数数组，每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。

这里只是简单做个介绍， 有兴趣的盆友可以参考：更多布隆过滤器简介。

• 代码示例：

  public static void main(String[] args) throws Exception {
  final BloomFilter<String> dealIdBloomFilter = BloomFilter.create(new Funnel<String>() {
          @Override
          public void funnel(String from, PrimitiveSink into) {
              into.putString(from, Charsets.UTF_8);
          }
      //0.0000001d为错误率， 9000000 为预估元素的个数， 我第一次测试用了大概9000000行字符串的文本
      }, 9000000, 0.0000001d);
      BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(new File("C:\\Users\\WangMeng\\Desktop\\test.txt")), "utf-8"));
      String line;
      int i = 0;
      StringBuilder sb = new StringBuilder();
      while ((line = br.readLine()) != null) {
          final boolean put = dealIdBloomFilter.put(line);
          if (put) {
              sb.append(line).append("\n");
              i++;
          }
          if (i % 1000 == 0) {
              //保存虑重后的文本。
              FileUtils.write(new File("C:\\Users\\WangMeng\\Desktop\\Java类\\seo\\bloomFilterSplit.txt"),
                      sb.toString(), Charsets.UTF_8, true);
              sb = new StringBuilder();
          }
      }
  }

使用BloomFilter，有三个重要的值，错误率（false positive rate）、哈希函数个数以及BloomFilter位数组的大小，关于这三个值的最优配置算法，相关阅读中的文章有详细的说明。有一个原则，(BloomFilter位数组大小)/(实际的元素个数)越大，错误率越低，但消耗的空间会越多.

2， 使用Spark过滤大文本文件

使用或者说接触Spark是因为公司有人做过一次这个方面的分享， 所以有些耳熟， 于是便从网上找了些入门按理， 自己尝试着用了一下。

• 使用Spark首先需要在pom文件中引入spark-core包

  <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core_2.11 -->
  <dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-core_2.11</artifactId>
  <version>2.1.0</version>
  </dependency>

public static void main(String[] args) throws Exception {
    System.setProperty("hadoop.home.dir", "C:\\Users\\WangMeng\\Desktop\\Java类\\hadoop-common-2.2.0\\");
    SparkConf conf = new SparkConf().setAppName("Text String Distinct").setMaster("local").set("spark.executor.memory", "1g");
    JavaSparkContext sc = new JavaSparkContext(conf);
    //读取需要虑重的文本文件
    JavaRDD<String> textFile = sc.textFile("C:\\Users\\WangMeng\\Desktop\\Java类\\seo\\test.txt");
    final JavaRDD<String> distinct = textFile.distinct();
    final long count = distinct.count();
    //保存率重后的文本文件
    distinct.coalesce(1).saveAsTextFile("C:\\Users\\WangMeng\\Desktop\\Java类\\seo\\sparkSplit.txt");
}

用Spark是不是很简单？代码也很少， 只需要读取文本创建一个rdd， 然后使用distinct就可以了， 如果想了解更多可以查看：Spark更多介绍。

在windows下这里好像好需要一个hadoop-common-2.2.0包， 如果不引入会报找不到winutils.exe， 这里提供一个下载地址， 如果不能下载了请联系我。hadoop-common-2.2.0下载地址

结语

到了这里就讲完了， 当然， 对于大文本的处理还是有更多更好的方法的，我这里只是尝试了这两种方案， 处理千万级行的数据都不用一分钟就可以虑重好， 布隆过滤器和Spark过滤后的行数都是相差无几的， 这里我还是更推荐使用Spark， 毕竟现在比较流行大数据， 有时间我也会继续探究大数据的相关内容。