如何从大量的 url 中找出相同的 url

题目描述：

给定 a、b 两个文件，各存放 50 亿个 url，每个 url 各占 64B，内存限制是 4GB，找出 a、b 两个文件共同的 url。

分析与解答：

因为每个 url 需要占 64B，所以 50 亿个 url 占用的空间大小为 50 亿 ×64=5GB×64=320GB。由于内存大小只有 4GB，因此不可能一次性把所有的 url 都加载到内存中处理。对于这个类型的题目，一般都需要使用分治法，即把一个文件中的 url 按照某一特征分成多个文件，使得每个文件的内容都小于 4GB，这样就可以把这个文件一次性读到内存中进行处理了。对于本题而言，主要的实现思路为以下几点。
1）遍历文件 a，对遍历到的 url 求 hash（url）%500，根据计算结果把遍历到的 url 分别存储到 a0，a1，a2，…，a499（将计算结果为 i 的 url 存储到文件 ai 中），这样每个文件的大小约为 600MB。当某一个文件中 url 的大小超过 2GB 时，可以按照类似的思路把这个文件继续分为更小的子文件（例如，如果 a1 大小超过 2GB，那么可以把文件继续分成 a11， a12， …）。
2）使用同样的方法遍历文件 b，把文件 b 中的 url 分别存储到文件 b0，b1，…，b499 中。
3）通过上面的划分，与 ai 中 url 相同的 url 一定在 bi 中。由于 ai 与 bi 中所有的 url 的大小不会超过 4GB，因此可以把它们同时读入到内存中进行处理。具体思路：遍历文件 ai，把遍历到的 url 存入到 hash_set 中，接着遍历文件 bi 中的 url，如果这个 url 在 hash_set 中存在，那么说明这个 url 是这两个文件共同的 url，可以把这个 url 保存到另外一个单独的文件中。当把文件 a0～a499 都遍历完成后，就找到了两个文件共同的 url。