java - 在大文件Java中查找重复的行

Question

所以，我有一个包含 300 万行单词的大文件。我需要查看是否有任何重复项。

我将线放在 TreeMap 中以便对它们进行排序，将“线”放入键中并将“1”赋给它们的值。当有重复时，该行的值叠加。然后我将不得不看看是否有任何不是 1 的值。

这是我的代码:

    BufferedReader list = new BufferedReader( new FileReader( args[0] ) );
    String line;
    TreeMap<String,Integer> map  = new TreeMap<String,Integer>();

    while ( (line = list.readLine()) != null )
    {
        if (!map.containsKey(line)) 
        {
            map.put(line, 0);
        }
        map.put(line, map.get(line) + 1);   
    }

    if ( !map.containsKey(1)  )
    {
        System.out.print("NOT UNIQUE");
    }
    else
    {
        System.out.print("UNIQUE");
    }
    list.close();
}

问题:

1. 使用 TreeMap 会加快这个过程吗？或者使用 HashMap 会有相同/更快的速度？

2. 输出:

   线程“main”中的异常 java.lang.ClassCastException:java.lang.String 无法转换为 java.lang.Integer 在 java.lang.Integer.compareTo(Integer.java:52) 在 java.util.TreeMap.getEntry(TreeMap.java:346) 在 java.util.TreeMap.containsKey(TreeMap.java:227) 在 Lab10.main(Lab10.java:22)

这是 if ( !map.containsKey(1) ) ，但我不知道出了什么问题。

Answer 1

最有效的实现实际上取决于您的要求。

根据您所写:所以，我有一个包含 300 万行单词的大文件。我需要查看是否有任何重复项。，我假设您只是想检查是否有重复行。

在这种情况下，您无需计算有多少重复项，使用 HashSet 和旧的、良好的字符串哈希函数可能就足够了(甚至更好)。

例子如下:

boolean hasDuplicate = false;
Set<String> lines = new HashSet<String>();
while ( (line = list.readLine()) != null && !hasDuplicate )
    {
        if (lines.contains(line)) {
            hasDuplicate = true;
        }
        lines.add(line);
    }

    if (hasDuplicate){
        System.out.print("NOT UNIQUE");
    } else {
        System.out.print("UNIQUE");
    }
    list.close();
}