请问 1000 万级别的 md5 条目（16 字节）需要能够尽可能快判断 exists，同时最好能够节省存储资源，应该怎么做比较好呢

使用嵌入式的磁盘 key value 数据库即可
https://github.com/jankotek/mapdb
https://github.com/berkeleydb/je

推荐 berkeleydb

看下布隆过滤器能不能满足需求

按开头首字母数字分成 32 个库扔固态上，分 32 个地址去查询，会比直接一个数据库查快吗？
或者 32^32 个库呢？

数据也就 100 多 M 而已

树结构，分层，分区，可以优化命中次数

别想了，数据库就是最好的办法。其他方法都快不了多少，但是多费不少事儿。

很久以前做过一个手机号 md5 的反查的工具，穷举国内手机号大概是 40 多亿个，基于二分法在硬盘上反查，普通固态上一秒我记得能处理大概四五千个吧。我估摸着数据库应该不会比这慢，不过数据塞到数据库里很烦，当时能用的数据库还是个机械硬盘，直接给我劝退了

我这有个 1400w 的 sha256 存 boltdb 才 600 多 M

1000 万直接放内存里面，单线程 1000 万次比较 0.36s：
```python
import string
import random
# initializing size of string
N = 16
data = set()
for i in range(10000*1000):
data.add(''.join(random.choices(string.ascii_letters, k=N)))

start=time.time()
sample = ''.join(random.choices(string.ascii_letters, k=N))
for _ in range(10000*1000):
if sample in data:
pass
end=time.time()
print("set:", end-start)
```

这种问题偏理论技术，偏工程的技术（放内存啥的）提升很有限，要鸟抢换炮的提升估计得有理论上的支撑

除非没有 100M 内存，不然不需要选择…

放内存里

这么点数据，有啥可讨论的。

@leonshaw
>> 数据也就 100 多 M 而已
这个数据量啥也不用想，放内存，遍历 @wheeler

扔内存里用哈希表就行，用 redis 即可

@weiqk 遍历有点暴力，排个序二分差不多了

直接内存映射数据库 ，很多语言的都有，谷歌搜很多，python 我目前用到的，几千万数据，瞬间加载，就是初始化 db 文件需要点时间，后续查询非常快，上亿数据也没问题，内存映射数据应用到很区块链上和大数据分析上，可以了解一下啊

@smirkcat python lmdb

@leonshaw #16 用哈希应该更快些？

@wxf666 本来就是 md5 了，可以直接参考页表构造几级索