我想知道存储大量字符串和检查重复的最佳方法是什么。
我们必须考虑我们的优先事项:
- 复查速度
- 插入新的字符串时间
- 硬盘存储空间
- 随机访问时间
当我们的目标是快速重复检查和插入新字符串时(随机访问或存储空间无关紧要),最佳解决方案是什么? 我考虑 SQL 数据库,但哪个数据库最适合这个解决方案? 如果我们使用 SQL DB,比如 MySQL,哪个存储引擎最好? (当然,由于数据量大,我们不得不排除内存)
最佳答案
对输入字符串使用哈希函数。输出散列将是记录的主键/ID。
然后你可以检查数据库是否有这个散列/id/主键:
- 如果不是:这是一个新字符串;您添加一条新记录,包括字符串和散列作为 id。
- 如果是:检查加载记录中的字符串是否与输入字符串相同。
- 如果字符串相同:重复
- 如果字符串不同:这是一个冲突。使用 collision resolution方案来解决。 (下面的几个例子)
您必须根据速度和预期的字符串数量以及哈希冲突要求/保证来考虑使用哪种哈希函数/方案/强度。
解决冲突的几种方法:
- 使用第二个哈希函数在同一个表中得出一个新的哈希值。
- 标记记录(例如使用 NULL)并在辅助“冲突”表上使用更强的第二哈希函数(具有更宽的域)重复。在查询中,如果字符串被标记为冲突(例如 NULL),则在冲突表中再次进行查找。您可能还想使用 dynamic perfect hashing以确保第二张表不会再发生冲突。
当然,根据这需要多持久化以及您期望占用多少内存/字符串数量,您实际上可以在没有数据库的情况下直接在内存中执行此操作,这样会快得多。
关于algorithm - 存储大量唯一字符串的最快方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10138640/