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:
- 重复检查速度
- 插入新字符串时间
- 硬盘上的存储空间
- 随机存取时间
当我们的目标是快速重复检查和插入新字符串时(没有随机访问或存储空间问题),最好的解决方案是什么?我想到了 SQL 数据库,但哪个 DB 最适合这个解决方案?如果我们使用 SQL DB,比如 MySQL,哪个存储引擎是最好的?(当然,由于数据量,我们必须排除内存)
对输入字符串使用哈希函数。输出哈希将是记录的主键/ID。
然后你可以检查数据库是否有这个哈希/id/主键:
您将不得不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:
当然,根据这需要的持久性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,这会快得多。
您可能需要考虑 NoSQL 解决方案:
雷迪斯。使用 Redis 解决的一些用例:
内存缓存。memcached 和 Redis 的一些比较:
Membase/Couchbase将 OMGPOP 的 Draw Something 视为他们的成功故事之一。Redis 和 Membase 的比较:
一些问题:
希望这可以帮助。
生成后缀树来存储字符串。Ukkonen 的算法如http://www.daimi.au.dk/~mailund/slides/Ukkonen-2005.pdf将提供一些有关如何创建后缀树的见解。存储此后缀树的方法有多种。但是一旦生成,查找时间非常短。