大数据量下数据判重，有什么好的方法？

leebs · 16 小时 53 分钟前 · 827 次点击

几十亿数据，提交一条数据，判断字段内容是否重复。直接加索引，怕几十亿数据撑不住。

14 条回复 • 2022-03-09 10:50:24 +08:00

ericls 16 小时 47 分钟前 via iPhone

benchmark 了吗？

BrettD 16 小时 44 分钟前 1

bloom filter

kera0a 16 小时 43 分钟前 via iPhone 1

布隆过滤器，但会有一点点误判率。
误判率越小占用内存越大，速度非常快 O(1)

wellsc 16 小时 42 分钟前

文本段？分词+倒排索引

leebs 16 小时 19 分钟前

@kera0a 布隆的空间占用情况呢，几十亿数据不会内存都放不下了吧。

levelworm 16 小时 14 分钟前 via Android

不用全部对比吧，如果是分布式的话。更怕的是技术上不重但是业务上重。

levelworm 15 小时 51 分钟前 via Android

对了，op 用的是什么数据库呐？

LeeReamond 9 小时 23 分钟前

@kera0a 布隆过滤器一个问题是无法应对动态数据，实际业务里比如原先拦截 1 ，2 ，3 ，结果第二天业务上 2 从列表里删除了，布隆过滤器就比较吃瘪了

murmur 8 小时 14 分钟前

几十亿数据有分表或者分库么

leebs 7 小时 16 分钟前

shawndev 6 小时 8 分钟前

Cuckoo Filter?

ElmerZhang 5 小时 45 分钟前

分表+唯一索引

ElmerZhang 5 小时 41 分钟前

当前表不好拆的话，就专门为这个索引建个新表，给这个表分表+唯一索引。
写数据的时候用事务，两个表一起写。
另外，你只是担心抗不住，到底抗不抗得住还是要看压测，说不定就抗得住了呢。不过这么大的表改索引也得费点劲。

kera0a 5 小时 40 分钟前

@leebs 空间复杂度根据误判率来计算的
50 亿数据，误判率 0.001 大概需要 8G 内存

Recommend