我不习惯使用非常大的数据集,而且我有点难过.
我有以下代码:
private static SetextractWords(BufferedReader br) throws IOException { String strLine; String tempWord; Set words = new HashSet (); Utils utils = new Utils(); int articleCounter = 0; while(((strLine = br.readLine()) != null)){ if(utils.lineIsNotCommentOrLineChange(strLine)){ articleCounter++; System.out.println("Working article : " + utils.getArticleName(strLine) + " *** Article #" + articleCounter + " of 3.769.926"); strLine = utils.removeURLs(strLine); strLine = utils.convertUnicode(strLine); String[] temp = strLine.split("\\W+"); for(int i = 0; i < temp.length; i++){ tempWord = temp[i].trim().toLowerCase(); if(utils.validateWord(tempWord)){ words.add(tempWord); System.out.println("Added word " + tempWord + " to list"); } } } } return words; }
这基本上从BufferedReader获取一个巨大的文本文件,其中每行文本都是文章中的文本.我想在这个文本文件中列出一个独特的单词列表,但那里有3.769.926篇文章,所以字数非常大.
根据我对集合的理解,或者特别是HashSets,这应该是工作的人.一开始一切都运行得很顺利,但是在500.000篇文章之后,它开始放慢一点.当它达到700.000时,它开始变得足够缓慢,它基本上停止了两分之一,然后又重新开始.这里有一个瓶颈,我看不出它是什么..
有任何想法吗?
我相信您可能遇到的问题是哈希表(集合或映射)必须由它可以容纳的固定数量的条目支持.所以你的第一个声明可能有一个表可以容纳16个条目.抛开负载因素之类的东西,一旦你试图将17个条目放入表中,它必须增长以容纳更多条目以防止冲突,因此Java将为你扩展它.
此扩展包括创建包含2 * previousSize
条目的新表,然后复制旧条目.因此,如果你不断扩展,你最终可能会遇到一个区域,比如524,288,它将不得不增长,但它将创建一个能够处理1,048,576个条目的新表,但它必须复制整个上一个表.
如果你不介意额外的查找时间,你可能会考虑使用a TreeSet
而不是a HashSet
.您的查找现在将是对数时间,但是Tree
没有预先分配的表,并且可以轻松地动态增长.要么使用它,要么声明你的大小,HashSet
这样它就不会动态增长.