大文本按行去重（2G 左右文件）有什么好的解决方案吗？

2G 算啥大文本，不要求保持原始顺序的话直接 `sort -u` 就行了。

可以接受一点点误差的话
布隆过滤器

随便挑个语言 load 到内存里 o(n)复杂度迭代一次就完事了

会用 pandas 用 pandas 不会就用 python 的 set 来实现 处理速度基本等同于 io 的速度

python set

@loliordie 好吧，我没说清楚，我们同时间可能会有多个这种去重的任务。

@loliordie 正解，2g 直接内存

直接 sort -u，磁盘速度够的话，一分钟完事

2G 直接哈希表都能搞定，甚至直接 awk 一行命令：
awk '!a[$0]++' input.txt > output.txt

<?php
ini_set('memory_limit',-1);
$array = file('源文件.txt');
$array = array_unique($array);
file_put_contents('输出文件.txt',implode($array,""));
?>
我一直用的方法。也就上面有人说的，直接内存处理。

@sl19981007 取决于你的 tradeoff 是空间复杂度优先还是时间复杂度优先

如果是要多个任务同时处理时间复杂度优先 内存够大直接搞个 celery 之类的多线程库就行了 内存不够大就锁队列 只允许 n 个任务同时运行

更简单一点可以输入多个路径 挨个处理 连多线程库都不用上 就是同时只能有一个任务正在运行 但你这个需求 最大瓶颈在于硬盘 io 所以多个并行或者串行影响都不大

才 2G，直接上哈希表干就完了

一堆超大文件倒是可以试试我的 nabhash
http://nabhash.org/

linux 命令就行 sort | unique

别自己写，用 linux 的内建命令

2G 而已，sort 都挺快的

2g 的文本直接 load 进内存，然后 hash 去重就可以了。

如果 pc 机内存不够可以对每行数据进行 hash 后取模分布在 n 个文件中，然后再将这 n 个文件分别 load 进内存去重

我感觉这种都是先遍历, 按文本 hash 拆分成足够小的文件, 然后在内存足够的情况下去处理每个小文件, 最后 merge 起来就完成了你说的需求了..


一般都是按 hash 拆分, 然后处理每个小文件, 最后再合并.

不过这是针对超大文件的, 你这个 2G 真的可以试试直接 load 到内存.

我开个脑洞，存数据库里。单行内容做主键，不停按行 insert，emmm......

emeditor，十几秒搞定

瓶颈是磁盘 IO, 针对选一个 hash https://github.com/rust-lang/hashbrown,按行读取,如果 hash 值已存在则跳过,猜测十秒能完成吧

这数据量直接 load 到内存里怎么玩都行

这应该是个面试题

@NCE 的确，我在金山面试 android 时有被问过类似问题

linux 环境 sort/awk，windows 环境 editplus/emeditor

sort | unique

LinekdHashSet 行不？

任意"去重"或"排序"的面试题答"字典树"绝对得分的.

@loliordie o(n)复杂度 怕是搞不定吧

@fewok 为何搞不定 不就是 n 次查哈希表的操作么?

我以是 2T

2G 我的 cpu 可以秒开

@loliordie 建哈希表 或者查哈希表 就不算复杂度嘛？

2g 而已，全部读到内存就完事了

所以你为什么不用 spark 呢 /狗头

@fewok 你可能需要理解下 O(n)复杂度的意义, 大 O 计算法考察的是时间规模跟输入规模的关系, 哈希表复杂度为 O(1), 不会影响时间复杂度, 除非你使用了 listnode 这样的结构, 每次查询元素时都会迭代, 随着输入规模的增加查询时间也会增加这样才会导致复杂度从 O(n)变为 O(n^2)

Linux 直接上 sort 或者 uniq 命令即可，Windows 下的话直接 Emeditor 打开，点一下去重按钮就完事。