Cracking the coding interview--Q12.6-duplicate in billion urls

Cracking the coding interview--Q12.6
You have a billion urls, where each is a huge page. How do you detect the duplicate documents?
译文：
你有10亿个url，每个url对应一个非常大的网页。你怎么检测重复的网页？

解答

1. 网页大，数量多，要把它们载入内存是不现实的。 因此我们需要一个更简短的方式来表示这些网页。而hash表正是干这事的。 我们将网页内容做哈希，而不是url，这里不同url可能对应相同的网页内容。
2. 将每个网页转换为一个哈希值后，我们就得到了10亿个哈希值， 很明显，两两对比也是非常耗时的O(n² )。因此我们需要使用其它高效的方法。

根据以上分析，我们可以推出满足条件的以下算法：

1. 遍历网页，并计算每个网页的哈希值。
2. 检查哈希值是否已经在哈希表中，如果是，说明其网页内容是重复的，输出其url。 否则保存url，并将哈希值插入哈希表。

通过这种方法我们可以得到一组url，其对应的网页内容都是唯一的。但有一个问题， 一台计算机可以完成以上任务吗？

1. 一个网页我们要花费多少存储空间？
   
   • 每个网页转换成一个4字节的哈希值
   • 假设一个url平均是30个字符，那我们至少需要30个字节
   • 因此对应一个url，我们一共要用掉34个字节
2. 34字节 * 10亿 = 31.6GB。很明显，单机的内存是无法搞定的。

我们要如何解决这个问题？

1. 我们可以将这些数据分成多个文件放在磁盘中，分次载入内存处理。 这样一来我们要解决的就是文件的载入/载出问题。
2. 我们可以通过哈希的方式将数据保存在不同文件，这样一来，大小就不是问题了， 但存取时间就成了问题。硬盘上的哈希表随机读写要耗费较多的时间， 主要花费在寻道及旋转延迟上。关于这个问题， 可以使用电梯调度算法来消除磁头在磁道间的随机移动，以此减少消耗的时间。
3. 我们可以使用多台机器来处理这些数据。这样一来，我们要面对的就是网络延迟。 假如我们有n台机器。
   
   • 首先，我们对网页做哈希，得到一个哈希值v
   • v%n 决定这个网页的哈希值会存放在哪台机器
   • v/n 决定这个哈希值存放在该机器上哈希表的位置

Read full article from Cracking the coding interview--Q12.6