这是一个创建于 992 天前的主题，其中的信息可能已经有所发展或是发生改变。
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。
 |
1
ericls 2022-03-08 23:43:40 +08:00 via iPhone
benchmark 了吗？
|
 |
2
BrettD 2022-03-08 23:46:01 +08:00  2
bloom filter
|
 |
3
kera0a 2022-03-08 23:47:19 +08:00 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) |
 |
4
wellsc 2022-03-08 23:48:27 +08:00
文本段？分词+倒排索引
|
 |
6
levelworm 2022-03-09 00:16:55 +08:00 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。
|
|
7
levelworm 2022-03-09 00:39:12 +08:00 via Android
对了，op 用的是什么数据库呐？
|
 |
8
LeeReamond 2022-03-09 07:07:28 +08:00
@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
|
 |
9
murmur 2022-03-09 08:16:13 +08:00
几十亿数据有分表或者分库么
|
 |
11
shawndev 2022-03-09 10:22:34 +08:00
Cuckoo Filter?
|
 |
12
ElmerZhang 2022-03-09 10:45:30 +08:00
分表+唯一索引
|
|
13
ElmerZhang 2022-03-09 10:49:06 +08:00
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。 |
 |
15
ghoul5426 2022-03-10 15:10:38 +08:00
居然没人说哈希，为每个数据计算一个哈希值，crc32 （ 32 位）、md5 （ 128 位）、sha1 （ 160 位）、sha256 （ 256 位）等都可以，可以把哈希值做主键或者唯一索引，可以用这个值来做分库分表的依据。
|
Select Language