現有兩個4G大小、按行分割、每行爲50字符(大小寫字母)的text文件A, B, 現在需要在有限的內存下(如2G)以B文件爲基準,計算出B相對於A增加了哪些數據和減少了哪些數據,分別以added.txt
和deleted.txt
命名保存。要求不能使用Spark或Hadoop這樣的大數據處理框架。
思路:
首先使用外排序算法對A, B分別按字典序排序,輸出a.sorted
和b.sorted
兩個文件,然後再遵循以下步驟逐行對比即可:
- 先分別讀取
lineA
和lineB
- 如果B比A大,則把
lineA
輸出至added.txt
中, 然後更新lineA
至下一行 - 如果B比A小,則將
lineB
輸出至deleted.txt
中,然後更新lineB
至下一行 - 如果B與A相等,則將
lineA
和lineB
分別更新至下一行 - 如果A已經EOF, 則將B中剩下所有的行都輸出至
added.txt
中 - 如果B已經EOF, 則將A中剩下所有的行都輸出至
deleted
.txt中
至於外排序,如果用的是 Java 的話就很方便了,可以直接使用第三方庫
<dependency>
<groupId>com.google.code.externalsortinginjava</groupId>
<artifactId>externalsortinginjava</artifactId>
<version>0.2.5</version>
</dependency>
實現。