两组数据量相对大时,如何高效进行比对

前言 前阵子项目因业务需要,要对接兄弟部门的用户数据,因为兄弟部门并不提供增量用户数据接口,每次只能从兄弟部门那边同步全量用户数据。全量的用户数据大概有几万条。因为是全量数据,因此我们这边要做数据比对(注: 用户username是唯一),如果同步过来的数据,我们这边没有,就要做插入操作,如果我们这边已经有,就要做更新操作。本文就来聊聊当数据量相对大时,如何进行对比
比对逻辑 因用户username是唯一的,因此我们可以利用用户username来进行比对匹配
比对实现

1、方案一:两层嵌套循环比对
即: 将接口的全量数据和我们数据库的全量数据进行循环比对
示例
@Override public void compareAndSave(List users, List mockUsers) { List addUsers = new ArrayList<>(); List updateUsers = new ArrayList<>(); for (MockUser mockUser : mockUsers) { for (User user : users) { if(mockUser.getUsername().equals(user.getUsername())){ int id = user.getId(); BeanUtils.copyProperties(mockUser,user); user.setId(id); updateUsers.add(user); }else{ User newUser = new User(); BeanUtils.copyProperties(mockUser,newUser); addUsers.add(newUser); } } }}

用这种方法,我在测试环境压了30万条数据,比对数据等了大概20分钟后,直接OOM
2、方案二:使用布隆过滤器
即: 比对开始前,先将我们这边的数据压入布隆过滤器,然后通过布隆过滤器来判定接口数据
【两组数据量相对大时,如何高效进行比对】示例
@Override public void compareAndSave(List users,List mockUsers){ List addUsers = new ArrayList<>(); List updateUsers = new ArrayList<>(); BloomFilter bloomFilter = getUserNameBloomFilter(users); for (MockUser mockUser : mockUsers) { boolean isExist = bloomFilter.mightContain(mockUser.getUsername()); //更新 if(isExist){ User user = originUserMap.get(mockUser.getUsername()); int id = user.getId(); BeanUtils.copyProperties(mockUser,user); user.setId(id); updateUsers.add(user); }else{ User user = new User(); BeanUtils.copyProperties(mockUser,user); addUsers.add(user); } }}

用这种方法,我在测试环境压了30万条数据,比对耗时1秒左右
3、方案三:使用list + map比对
即:比对开始前,先将我们这边数据存放到map中,map的key为username,value为用户数据,然后遍历接口数据,进行比对
示例
@Override public void compareAndSave(List users, List mockUsers) { Map originUserMap = getOriginUserMap(users); List addUsers = new ArrayList<>(); List updateUsers = new ArrayList<>(); for (MockUser mockUser : mockUsers) { if(originUserMap.containsKey(mockUser.getUsername())){ User user = originUserMap.get(mockUser.getUsername()); int id = user.getId(); BeanUtils.copyProperties(mockUser,user); user.setId(id); updateUsers.add(user); }else{ User user = new User(); BeanUtils.copyProperties(mockUser,user); addUsers.add(user); } } }

用这种方法,我在测试环境压了30万条数据,比对耗时350毫秒左右
总结 这三种方案,两层循环效率是最低,而且随着数据量增大会有OOM的风险。采用布隆过滤器,存在误判的风险,为了降低误判风险,只能降低误判率,可以通过参数指定,但这也增加判断时间。用map可以说是效率最好,他本质是将时间复杂度从O(n2)降低到O(n)。不过这种方案可能也不是最优方案,事后和朋友讨论下,他说可以用啥双向指针啥,因为我在算法这方面没有深入研究,因此本文就没演示了
demo链接 https://github.com/lyb-geek/springboot-learning/tree/master/springboot-comparedata

    推荐阅读