目录

• 1. 查找大文件相同两行
• 2. 大文件全排序

1. 查找大文件相同两行

题目：有一个2T的文本文件，只存在2行相同的数据，请用一台256M内存的单机服务器，找出这相同的2行数据

解决步骤：

1. 读取一条数据A，求A的hashcode，然后取模，即X = a.hashcode % 10000，X的范围为0 ~ 9999，将数据A保存到fileX文件中
2. 按步骤1进行文件的遍历，处理剩余的每条数据。这样2T的文件被分割成10000个小文件，但相同的2行数据肯定在同一个小文件中
3. 依次处理每个小文件，找出在一个小文件中是否存在相同的两行

2. 大文件全排序

题目：在一个2T的文本文件，每一行都是一个数字，且都不相同，请用一台256M内存的单机服务器对这个乱序的文本文件，进行全排序

方法1：

1. 读取一条数据A，如果A的值在[0, 1000000)之间，则将A保存到file0文件中；如果A的值在[1000000, 2000000)之间，则将A保存到file1文件中。根据A的取值范围不同，被划分到不同的文件中，合计10000个小文件
2. 按步骤1进行文件的遍历，处理剩余的每条数据。这样2T的文件被分割成10000个小文件，各个小文件之间的数据是外部有序的，每个小文件内部是乱序的
3. 依次处理每个小文件，对每个小文件内部的数据进行排序

方法2：

1. 一次读取128M数据，进行排序，保存到file0文件中
2. 第二次读取128M数据，进行排序，保存到file1文件中
3. 依次类推，数据被保存到10000个小文件中。在每个小文件内部数据是有序的，各个小文件之间的数据是无序的
4. 采用归并排序，对各个文件之间的数据进行排序

归并排序：

1. 将file0文件的第一个数取出来，赋值给变量X0，file1文件的第一个数取出来，赋值给变量X2，依次类推，将file9999文件的第一个数取出来，赋值给变量X9999
2. 求出X0 ~ X9999之间的最小值，将其保存到文件file_v_0中
3. 再从fileN中取出值赋给XN, 重复步骤2
4. 重复步骤3，如果file_v_0小文件的大小，超过128M，则将数据保存到file_v_1小文件中，依次类推。最后保存的小文件为file_v_9999