这是一个创建于 1804 天前的主题，其中的信息可能已经有所发展或是发生改变。
也算是一道常见的算法题：有十亿条 URL，来了一个新的 URL 判断是否在里面，提供在线服务
但是想着优先使用 mysql 查询，其次 ES, 想布隆过滤器等不适合在工程应用，要保证准确
现有思路，将 url 进行 md5 存储，作为主键 key 分表放在数据库。
但是不清楚具体这种情况下效率会是怎么样
 |
1
F281M6Dh8DXpD1g2 2021 年 2 月 3 日
为啥 bloom 过滤器不行?
|
 |
2
Jooooooooo 2021 年 2 月 3 日
"布隆过滤器等不适合在工程应用" "要保证准确"
没有理解布隆的精髓啊 |
 |
3
rahuahua 2021 年 2 月 3 日
@Jooooooooo 楼主这种情况确实不适合 bloom 呀
|
 |
4
lanmoyingsheng 2021 年 2 月 3 日  4
布隆过滤可以保证不存在。
感觉先布隆过滤，如果不存在直接返回；如果存在 再查 ES 或 mysql ； |
 |
5
liuxu 2021 年 2 月 3 日
用 crc64 可以小一点，md5 得 32 位 char 做索引，然后 hash 拆库
|
 |
6
dongtingyue 2021 年 2 月 3 日
es 为啥不能保证准确？
|
 |
7
sampeng 2021 年 2 月 3 日 via iPhone
请问…用数据库，es 实现了。还考个什么算法？
|
 |
8
herozzm 2021 年 2 月 3 日 via Android
@dongtingyue #6 es 更新不能及时体现，只能说接近即时
|
 |
9
liuzhaowei55 2021 年 2 月 3 日 via iPhone
热数据放缓存，key hash 后分表，数据库如果用 mongo 单表 2 亿数据，加个索引就行了基本不需要特殊优化。
|
 |
10
swulling 2021 年 2 月 3 日
不需要数据库，使用 Hash 表就可以了，先做 Hash，然后进行取模 Mod N，分布到 N 个 Hash 表里。
估计需要 3 台 128G 内存的物理机就足够了。 |
 |
11
tisswb 2021 年 2 月 3 日
url 的话 那就先格式化，然后 md5，然后 redis
|
 |
12
fengpan567 2021 年 2 月 3 日
ES 为啥不能保证准确性？更新延迟？
|
 |
13
love 2021 年 2 月 3 日
md5 太大了，64 位 hash 算法如 xxhash 足够,hash 加个索引 where hash = ? and url = ?就行了
|
 |
14
THESDZ 2021 年 2 月 3 日
拆分 模拟树结构就好了
|
 |
15
aeli 2021 年 2 月 3 日
10 亿 url，做成短链？
|
 |
16
tf2 2021 年 2 月 3 日
先申请 10 万台服务器，每个服务器存 1 万条数据。这样是不是就简单了。2333
|
 |
17
simple2025 2021 年 2 月 3 日
感觉可以 md5 hash,要是觉得长， 可以只存前 16 位呀
|
 |
18
wangdashuai 2021 年 2 月 3 日
可以构造前缀树,这样可以压缩数据大小.
|
 |
19
abersheeran 2021 年 2 月 3 日 1
@wangdashuai 压缩前缀树面对十亿这个量级还是不够用的。我之前试过。
楼主这个需求，如果只是判断是否在里面，布隆过滤器就够了。十亿数据，根据最优概率公式算出来，错误率控制在万分之一左右，我记得也就一个多 GB 。 一份之前用过的 Python 代码贴出来以供参考： https://gist.github.com/abersheeran/210f5c1a6f36721302f755e39a242e50 |
|
20
abersheeran 2021 年 2 月 3 日
@abersheeran 如果要精准判断，这里就需要上一个 kv 索引了。这个参考一下 HBase 之类的数据库做法就行，也没啥别的好办法。
|
 |
21
Lemeng 2021 年 2 月 3 日
10 亿条，竟然 url
|
 |
22
luozic 2021 年 2 月 3 日 via iPhone
Cuckoo Filter 了解一下
|
Select Language