c# - 如何循环比较两个文本文件中的数百万个值？

Question

我有两个文本文件 (TXT)，其中包含超过 200 万个不同的文件名。我想遍历第一个文件中的所有名称，并找到第二个文本文件中也存在的名称。

我已经尝试循环遍历 StreamReader 但它需要很多时间。我也尝试了下面的代码，但仍然需要太多时间。

StreamReader first = new StreamReader(path);
string strFirst = first.ReadToEnd();
string[] strarrFirst = strFirst.Split('\n');

 bool found = false;

StreamReader second = new StreamReader(path2);
string str = second.ReadToEnd();
string[] strarrSecond = str.Split('\n');

for (int j = 0; j < (strarrFirst.Length); j++)
{
          found = false;

    for (int i = 0; i < (strarrSecond .Length); i++)
    {
        if (strarrFirst[j] == strarrSecond[i])
        {
            found = true;
            break;
        }
    }

    if (!found)
    {
        Console.WriteLine(strarrFirst[j]);
    }
}

比较文件的好方法是什么？

Answer 1

这个怎么样:

var commonNames = File.ReadLines(path).Intersect(File.ReadLines(path2));

这是 O(N + M) 而不是您当前的解决方案，它测试第一个文件中的 every 行和第二个文件中的 every 行 - O(N * M ).

假设您使用的是 .NET 4。否则，您可以使用 File.ReadAllLines ，但这会将整个文件读入内存。或者你可以写出相当于 File.ReadLines 的东西你自己 - 这并不难。

最终，当您摆脱当前代码中的 O(N * M) 问题时，您可能会受到文件 IO 的限制 - 没有太多方法可以解决这个问题。

编辑:对于 .NET 2，首先让我们实现类似 ReadLines 的东西:

public static IEnumerable<string> ReadLines(string file)
{
    using (TextReader reader = File.OpenText(file))
    {
        string line;
        while ((line = reader.ReadLine()) != null)
        {
            yield return line;
        }
    }
}

现在我们真的想要使用 HashSet<T> ，但这不在 .NET 2 中 - 所以让我们使用 Dictionary<TKey, TValue>相反:

Dictionary<string, string> map = new Dictionary<string, string>();
foreach (string line in ReadLines(path))
{
    map[line] = line;
}

List<string> intersection = new List<string>();
foreach (string line in ReadLines(path2))
{
    if (map.ContainsKey(line))
    {
        intersection.Add(line);
    }
}