由于最近疫情的影响，相信最近很多小伙伴都忙于线上办公或者面试😭，笔者这里分享一道发生在大厂前端线上编程面试中的一道题目，

如何让 6000 万数据包和 300 万数据包在仅 50M 内存环境中求交集，请简单说出您解决这问题的思路

我们假设现在有两份庞大的数据，而这两份数据包的数据结构均如下，仔细观察里面的数据我们不难发现，里面有 QQ 号，地址和年龄，如题目的要求我们需要是求交集，所以我们暂时可以忽略地址和年龄，以 QQ 号作为唯一标识：

QQ:40645253 地址：xxx 年龄：xxx
QQ:49844525 地址：xxx 年龄：xxx
QQ:51053984 地址：xxx 年龄：xxx
QQ:15692967 地址：xxx 年龄：xxx
QQ:39211026 地址：xxx 年龄：xxx
// 以下省略 6000 万条数据
...

梳理了上面的数据包结构之后，我们就得看看 50M 内存是什么情况了，由于面试在线上进行，只能短时间在本地测试下上面这个数据量在本地会占有有多大空间，那由于限于是场前端面试，所以笔者选用了 NodeJS 去制造这些庞大的数据了，当时线上编写的时候是没注释的，这里为了方便小伙伴理解，在写这篇文章的时候我自觉加上了😁

const fs = require("fs");
const path = require('path');
const writer = fs.createWriteStream(path.resolve(__dirname, 'data-60M.txt'), { highWaterMark: 1 });

const writeSixtyMillionTimes = (writer) => {
    const write = () => {
        let data = Buffer.from(`${parseInt(Math.random() * 60000000)}\n`)
        let ok = true;
        do {
            i--;
            if (i === 0) {
                // 最后一次写入。
                writer.write(data);
            } else {
                // 检查是否可以继续写入。 
                // 不要传入回调，因为写入还没有结束。
                ok = writer.write(data);
            }
        } while (i > 0 && ok);
        if (i > 0) {
            // 被提前中止。
            // 当触发 'drain' 事件时继续写入。
            writer.once('drain', write);
        }
    }
    // 初始化6000万数据
    let i = 600000;
    write();
}

writeSixtyMillionTimes(writer)

首先在本地新建一份 data-60M.txt 文件，然后新建一份 data-60M.js 把上面代码写入并执行，这里我最主要是使用了一个递归，由于当时为了快速写入文件测试大小，当时模拟的 QQ 号，是使用 ${parseInt(Math.random() * 60000000)}\n 随机数生成的，在实际测试表现中会有极小几率重复 QQ 号，但影响不大，实际影响最大的是当你在生成 6000 万数据的时候，电脑疯狂运作，运气不好的时候直接卡死，然后远程面试直接断线。

这里笔者还是建议小伙伴在远程面试中手机随时待命，当电脑 GG 的时候还能联系面试官抢救一下，经过与电脑性能的多轮斗争，和面试官尴尬重连的情况下，终于发现实际文件大小规律如下，这里为了方便小伙伴调试源代码，我也把代码传到 Github 上，链接放在最后，只放了 6000 条数据，实际 300MB 实在是传不上去了，小伙伴们可以下载源代码自行测试，祈祷电脑能熬过去o(╥﹏╥)o：

到了这个地方，笔者渐渐地看出这个问题的坑点可能在那里了，6000 万条数据在测试文件中大小大概在 300MB 左右，而 300 万条数据大小大概在 15 MB，在 50MB 的内存限制下，我们可以把 300 万条约 15MB 的数据完全放入内存中，剩余大概 35MB 空间是不允许我们完全放入 6000 万条约 300MB 的数据，所以我们需要把数据切割成10块左右，大概每块控制在 30MB ，然后分别读取出来跟内存中的 300 万条数据进行比对并求出交集，50MB 情况也太极端苛刻了，难道是手机并且还是老人机吗，我也不敢问啊o(╥﹏╥)o

在思考上面这一连串的逻辑时候，为了不耽误面试官宝贵的时间，边想边随手建立好下面几份文件和文件夹，好梳理代码，给自己思考时间和回旋的余地，以下是我当时临时的目录结构。

• database

  • data-3M.txt - 模拟的3百万数据包
  • data-60M.txt - 模拟的6千万数据包

• library

  • data-3M.js - 处理3百万数据包的逻辑
  • data-60M.js - 处理6千万数据包的逻辑
  • intersect.js - 处理数据包的交集
  • create-60M.js - 生成大数据的文件
• result.txt 最终数据包的交集结果
• index.js 主逻辑文件

在不急不慢的分类好目录结构之后，总得再弄点代码给面试官瞧瞧吧o(╥﹏╥)o，不能让人家空等啊

当然既然是面试用 NodeJS 第三方模块解决也不够好，当时是先屡一下用什么原生模块实现比较好，要满足上面这些要求，想到这里能使用到的原生 Node 内置模块关键有如下两个：

• fs - 文件系统
• readline - 逐行读取

fs.createReadStream(path[, options])方法中，其中 options 可以包括 start 和 end 值，以从文件中读取一定范围的字节而不是整个文件。 start 和 end 都包含在内并从 0 开始计数，这种是方法方便我们分段读取 6000 万条数据。当时快速写了一个示例去验证，从一个大小为 100 个字节的文件中读取最后 10 个字节：

fs.createReadStream('data-60M.txt', { start: 90, end: 99 });

经过短暂的测试，发现这个方案可行，心理淡定了一点。

起码这个备用方案起码可以给自己留点操作空间，但当时讨论到的是下面这种方案：

fs.createReadStream() 提供 highWaterMark 选项，它允许我们将以大小等于 highWaterMark 选项的块读取流，highWaterMark 的默认值为: 64 * 1024(即64KB)，我们可以根据需要进行调整，当内部的可读缓冲的总大小达到 highWaterMark 设置的阈值时，流会暂时停止从底层资源读取数据，直到当前缓冲的数据被消费，我们就可以触发readline.pause()暂停流，处理完之后继续触发readline.resume()恢复流，然后不断重复以上步骤，将 6000 万数据分别处理完。

readline 模块提供了一个接口，用于一次一行地读取可读流中的数据。 它可以使用以下方式访问，并且我们的数据包，每条数据之间是使用\n、\r 或 \r\n隔开，所以这样方便我们使用readline.on('line', (input) => {})来接受每一行数据包的字符串。

这里自我感觉有些丢分项，是当时忘记了 fs.createReadStream 里面一些配置项，在现场临时翻阅 NodeJS 的官方 API 文档，这里非常感谢当时面试官的理解(^▽^)

下面，我们就要写最关键的代码了，就是如何处理那 6000 万条数据，打开刚才新建好的data-60M.js文件，该文件就是用于专门处理 6000 万数据的，我们使用readline和createReadStream两者配合，将数据按一定条数分别缓存在内存中，这里代码正如上面提到，由于提交的代码不适合太大(Git传上去太慢)，所以把数据量减少到 6000 条，那么分成 10 份的话，每份缓存就需要读 600 条左右，读完每份数据之后调用intersect函数求交集，并存入硬盘result.txt文件中，然后释放内存：

// 写入结果
const writeResult = (element) => {
    appendFile('./result.txt', `${element}\n`, (err) => {
        err ? () => console.log('写入成功') : () => console.log('写入失败');
    })
}

这里最关键是要定义一个空的容器lineCount来存放每段数据，并且使用if (lineCount === 6000) {}语句判断内存超过限制的空间后做释放内存的处理：

const { createReadStream, appendFile } = require('fs');
const readline = require('readline');
const intersect = require('./intersect');

module.exports = (smallData) => {
    return new Promise((resolve) => {
        const rl = readline.createInterface({
            // 6000条数据流
            input: createReadStream('./database/data60M.txt', {
                // 节流阀
                highWaterMark: 50
            }),
            // 处理分隔符
            crlfDelay: Infinity
        });
        // 缓存次数
        let lineCount = 0;
        // 缓存容器
        let rawData = [];
        // 逐行读取
        rl.on('line', (line) => {
            rawData.push(line);
            lineCount++;
            // 限制每一次读取6000条数据，分十次读取
            if (lineCount === 6000) {
                // 释放内存
                // ...
            }
        );
        rl.on('close', () => {
            resolve('结束');
        })
    })
}

释放内存后前需要使用rl.pause()暂停流，然后做两步逻辑:

• 求交集结果
• 写入每段交集结果到硬盘

然后需要使用rl.resume()重启流：

if (lineCount === 6000) {
    // 暂停流
    rl.pause();
    // 获取交集
    let intersectResult = intersect(rawData, smallData);
    // 遍历交集并写入结果
    intersectResult.forEach(element => {
        writeResult(element)
    });
    // 释放缓存
    rawData = null;
    intersectResult = null;
    rawData = [];
    // 重置读取次数
    lineCount = 0;
    // 重启流
    rl.resume();
}

上面这个过程实际非常耗时和缓慢，这里建议就是在代码长时间运行的时候不要冷落了面试官o(╥﹏╥)o

在处理完上面 6 千万数据之后，就剩下 3百万份的了，这里的数据由于是3百万，所以可以把全部数据放入内存，我们在data-3M.js写入以下代码，这里用Promise封装，方便在外部配合async和await使用：

const fs = require('fs');
const readline = require('readline');
module.exports = () => {
    return new Promise((resolve) => {
        const rl = readline.createInterface({
            input: fs.createReadStream('./database/data-3M.txt'),
            crlfDelay: Infinity
        });
        let check = [];
        rl.on('line', (line) => {
            check.push(line);
        });
        rl.on('close', () => {
            resolve(check)
        })
    })
}

然后就是交集了，在intersect.js代码中写入一下代码，这里简单的使用Set和filter方法来求交集：

// 交集方法
module.exports = (a, b) => {
    return a.filter(x => new Set(b).has(x));
}

分别把上面两份处理关键数据在index.js逻辑引入，然后执行逻辑，就可以乖乖地等待面试官的检阅和指导了：

const data3M = require('./library/data-3M');
const data60M = require('./library/data-60M');
(async () => {
    let smallData = await data3M();
    let result = await data60M(smallData);
    console.log(result);
})();

这里附上源代码地址方便小伙伴测试：https://github.com/Wscats/intersect

也使用以下命令运行测试，运行成功后结果会在result.txt中展现结果：

git clone https://github.com/Wscats/intersect
# 运行
npm start
# 查看结果
npm run dev
# 生成新的大数据
npm run build

最后如果文章能带您一丝帮助或者启发，请不要吝啬你的赞和收藏，你的肯定是我前进的最大动力😁

• 笔记本原文 https://github.com/Wscats/intersect
• 阅读往期更多优质文章可移步我的 GitHub 查看