皮皮网

1.PHP7源码之array_unique函数分析
2.1. underscore.js 介绍
3.如何用JAVA写一个知乎爬虫
4.通过深挖Clickhouse源码，数据数据我精通了数据去重！去重去重
5.在JavaScript中有哪些高效算法
6.C#数据去重的网站这几种方式，你知道几种？

PHP7源码之array_unique函数分析

       以下源码基于 PHP 7.3.8

       array array_unique ( array array[,源码intarray[,intsort_flags = SORT_STRING ] ) (PHP 4 >= 4.0.1, PHP 5, PHP 7) array_unique — 移除数组中重复的值 参数说明： array：输入的数组。 sort_flag：（可选）排序类型标记，代码用于修改排序行为，数据数据橘猫影视源码主要有以下值： SORT_REGULAR - 按照通常方法比较（不修改类型） SORT_NUMERIC - 按照数字形式比较 SORT_STRING - 按照字符串形式比较 SORT_LOCALE_STRING - 根据当前的去重去重本地化设置，按照字符串比较。网站

       array_unique 函数的源码源代码在 /ext/standard/array.c 文件中。由于篇幅过长，代码完整代码不在这里贴出来了，数据数据可以参见 GitHub 贴出的去重去重源代码。

       定义变量

       首先是网站定义变量，array_unique 函数默认使用 PHP_SORT_STRING 排序，源码PHP_SORT_STRING 在 /ext/standard/php_array.h 头文件中定义。代码

       可以看到和开头PHP函数的sort_flag 参数默认的预定义常量 SORT_STRING 很像。

       compare_func_t cmp 这行代码没看懂，不清楚是做什么的。compare_func_t 在 /Zend/zend_types.h 中定义：应该是定义了一个指向int 型返回值且带有两个指针常量参数的函数指针类型，没有查到相关资料，先搁着，继续往下看。

       参数解析

       ZEND_PARSE_PARAMETERS_START(1, 2)，第一个参数表示必传参数个数，第二个参数表示最多参数个数，ucancode 组态 源码即该函数参数范围是 1-2 个。

       数组元素个数判断

       这段代码很容易看懂，当数组为空或只有 1 个元素时，无需去重操作，直接将array 拷贝到新数组 return_value来返回即可。

       分配持久化内存

       这一步只有当sort_type 为 PHP_SORT_STRING 时才执行。在下面可以看到调用 zend_hash_init 初始化了 array，调用 zend_hash_destroy 释放持久化的内存。

       设置比较函数

       进行具体比较顺序控制的函数指针是cmp，是通过向 php_get_data_compare_func 传入 sort_type 和 0 得到的，sort_type 也就是 SORT_STRING 这样的标记。

       php_get_data_compare_func 在 array.c 文件中定义（即与 array_unique 函数同一文件），代码过长，这里只贴出默认标记为 SORT_STRING 的代码：

       在前面的代码中，我们可以看到，cmp = php_get_data_compare_func(sort_type, 0); 的第二个参数，即参数 reverse 的值为 0，也就是当 sort_type 为 PHP_SORT_STRING 时，调用的是 php_array_data_compare_string 函数，即 SORT_STRING 采用 php_array_data_compare_string 进行比较。继续展开 php_array_data_compare_string 函数：

       可以得到这样一条调用链：

       string_compare_function 是一个 ZEND API，在 /Zend/zend_operators.c 中定义：

       可以看到，SORT_STRING 使用 zend_binary_strcmp 函数进行字符串比较。下面的java改写 源码代码是 zend_binary_strcmp 的实现（也在 /Zend/zend_operators.c 中）：

       上面的代码是比较两个字符串。也就是SORT_STRING 排序方式的底层实现是 C 语言的 memcmp，即它对两个字符串从前往后，按照逐个字节比较，一旦字节有差异，就终止并比较出大小。

       数组排序

       这段代码初始化一个新的数组，然后将值拷贝到新数组，然后调用zend_sort 排序函数对数组进行排序。排序算法在 /Zend/zend_sort.c 中实现，注释有这样一句话：

       Derived from LLVM's libc++ implementation of std::sort.

       这个排序算法是基于LLVM 的 libc++ 中的 std::sort 实现的，算是快排的优化版，当元素数小于等于时有特殊的优化，当元素数小于等于 5 时直接通过 if else 嵌套判断排序。代码就不贴出来了。

       数组去重

       回到array_unique 上，继续看代码：

       遍历排序好的数组，然后删除重复的元素。

       众周所知，快排的时间复杂度是O(nlogn)，因此，array_unique 函数的时间复杂度是O(nlogn)。array_unique 底层调用了快排算法，加大了函数运行的时间开销，当数据量很大时，ubuntu linux 源码会导致整个函数的运行较慢。

1. underscore.js 介绍

       了解Underscore.js，一个功能丰富的JavaScript工具库，帮助解决早期JavaScript数据处理的局限性。

       Underscore.js提供了超过个函数，包括常用函数如map、filter、invoke，以及额外的辅助函数，如函数绑定、JavaScript模板、快速索引创建、强类型相等测试等。

       下载开发环境源码，可直接访问链接，选择未压缩代码以方便阅读。

       通过简单示例展示数组去重的使用方法，可直接调用unique方法或作为函数调用。

       流式编程概念，类似于jQuery的链式调用，允许对数据进行多次处理，最终得到结果。例如，先去重，之乎者也中级源码然后每个数字乘以2。

       总结Underscore.js的基本使用和价值。

       随着ES6引入map、some、filter、reduce、forEach、any等方法，对Underscore.js的依赖减少。

       学习Underscore.js内部设计思想对于提高编码技能和未来项目开发大有裨益。

       一起深入探索Underscore.js的源码解读，提升技术实力！

如何用JAVA写一个知乎爬虫

       ä¸‹é¢è¯´æ˜ŽçŸ¥ä¹Žçˆ¬è™«çš„源码和涉及主要技术点：

       ï¼ˆ1）程序package组织

       ï¼ˆ2）模拟登录（爬虫主要技术点1）

        要爬去需要登录的网站数据，模拟登录是必要可少的一步，而且往往是难点。知乎爬虫的模拟登录可以做一个很好的案例。要实现一个网站的模拟登录，需要两大步骤是：（1）对登录的请求过程进行分析，找到登录的关键请求和步骤，分析工具可以有IE自带(快捷键F)、Fiddler、HttpWatcher；（2）编写代码模拟登录的过程。

       ï¼ˆ3）网页下载（爬虫主要技术点2）

        模拟登录后，便可下载目标网页html了。知乎爬虫基于HttpClient写了一个网络连接线程池，并且封装了常用的get和post两种网页下载的方法。

       ï¼ˆ4）自动获取网页编码（爬虫主要技术点3）

        自动获取网页编码是确保下载网页html不出现乱码的前提。知乎爬虫中提供方法可以解决绝大部分乱码下载网页乱码问题。

       ï¼ˆ5）网页解析和提取（爬虫主要技术点4）

        使用Java写爬虫，常见的网页解析和提取方法有两种：利用开源Jar包Jsoup和正则。一般来说，Jsoup就可以解决问题，极少出现Jsoup不能解析和提取的情况。Jsoup强大功能，使得解析和提取异常简单。知乎爬虫采用的就是Jsoup。

       ï¼ˆ6）正则匹配与提取（爬虫主要技术点5）

        虽然知乎爬虫采用Jsoup来进行网页解析，但是仍然封装了正则匹配与提取数据的方法，因为正则还可以做其他的事情，如在知乎爬虫中使用正则来进行url地址的过滤和判断。

       ï¼ˆ7）数据去重（爬虫主要技术点6）

        对于爬虫，根据场景不同，可以有不同的去重方案。（1）少量数据，比如几万或者十几万条的情况，使用Map或Set便可；（2）中量数据，比如几百万或者上千万，使用BloomFilter（著名的布隆过滤器）可以解决；（3）大量数据，上亿或者几十亿，Redis可以解决。知乎爬虫给出了BloomFilter的实现，但是采用的Redis进行去重。

       ï¼ˆ8）设计模式等Java高级编程实践

        除了以上爬虫主要的技术点之外，知乎爬虫的实现还涉及多种设计模式，主要有链模式、单例模式、组合模式等，同时还使用了Java反射。除了学习爬虫技术，这对学习设计模式和Java反射机制也是一个不错的案例。

       4. 一些抓取结果展示

通过深挖Clickhouse源码，我精通了数据去重！

       数据去重的Clickhouse探索

       在大数据面试中，数据去重是一个常考问题。虽然很多博主已经分享过相关知识，但本文将带您深入理解Hive引擎和Clickhouse在去重上的差异，尤其是后者如何通过MergeTree和高效的数据结构优化去重性能。

       Hive去重

       Hive中，distinct可能导致数据倾斜，而group by则通过分布式处理提高效率。面试时，理解MapReduce的数据分区分组是关键。然而，对于大规模数据，Hive的处理速度往往无法满足需求。

       Clickhouse的登场

       面对这个问题，Clickhouse凭借其列存储和MergeTree引擎崭露头角。MergeTree的高效体现在它的数据分区和稀疏索引，以及动态生成和合并分区的能力。

       Clickhouse：Yandex开源的实时分析数据库，每秒处理亿级数据

       MergeTree存储结构：基于列存储，通过合并树实现高效去重

       数据分区和稀疏索引

       Clickhouse的分区策略和数据组织使得去重更为快速。稀疏索引通过标记大量数据区间，极大地减少了查询范围，提高性能。

       优化后的去重速度

       测试显示，Clickhouse在去重任务上表现出惊人速度，特别是通过Bitmap机制，去重性能进一步提升。

       源码解析与原则

       深入了解Clickhouse的底层原理，如Bitmap机制，对于优化去重至关重要，这体现了对业务实现性能影响的深度理解。

       总结与启示

       对于数据去重，无论面试还是日常工作中，深入探究和实践是提升的关键。不断积累和学习，即使是初入职场者也能在大数据领域找到自己的位置。

在JavaScript中有哪些高效算法

        这篇文章主要介绍了JavaScript实现删除数组重复元素的5种常用高效算法,结合实例形式总结分析了javascript删除数组重复元素的几种常见操作技巧,需要的朋友可以参考下

       本文实例讲述了JavaScript实现删除数组重复元素的5种常用高效算法。分享给大家供大家参考，具体如下：

       这里就 js 如何实现数组去重整理出5种方法，并附上演示Demo 以及 源码。

       1.遍历数组法

       最简单的去重方法，

       实现思路：新建一新数组，遍历传入数组，值不在新数组就加入该新数组中；注意点：判断值是否在数组的方法“indexOf”是ECMAScript5 方法，IE8以下不支持，需多写一些兼容低版本浏览器代码，源码如下：

       // 最简单数组去重法

       function unique1(array){

        var n = []; //一个新的临时数组

        //遍历当前数组

        for(var i = 0; i < array.length; i++){

        //如果当前数组的第i已经保存进了临时数组，那么跳过，

        //否则把当前项push到临时数组里面

        if (n.indexOf(array[i]) == -1) n.push(array[i]);

        }

        return n;

       }

       // 判断浏览器是否支持indexOf ，indexOf 为ecmaScript5新方法 IE8以下（包括IE8， IE8只支持部分ecma5）不支持

       if (!Array.prototype.indexOf){

        // 新增indexOf方法

        Array.prototype.indexOf = function(item){

        var result = -1, a_item = null;

        if (this.length == 0){

        return result;

        }

        for(var i = 0, len = this.length; i < len; i++){

        a_item = this[i];

        if (a_item === item){

        result = i;

        break;

        }

        }

        return result;

        }

       }2.对象键值对法

       该方法执行的速度比其他任何方法都快， 就是占用的内存大一些；

       实现思路：新建一js对象以及新数组，遍历传入数组时，判断值是否为js对象的键，不是的话给对象新增该键并放入新数组。注意点： 判断是否为js对象键时，会自动对传入的键执行“toString()”，不同的键可能会被误认为一样；例如： a[1]、a["1"] 。解决上述问题还是得调用“indexOf”。

       // 速度最快， 占空间最多（空间换时间）

       function unique2(array){

        var n = { }, r = [], len = array.length, val, type;

        for (var i = 0; i < array.length; i++) {

        val = array[i];

        type = typeof val;

        if (!n[val]) {

        n[val] = [type];

        r.push(val);

        } else if (n[val].indexOf(type) < 0) {

        n[val].push(type);

        r.push(val);

        }

        }

        return r;

       }3.数组下标判断法

       还是得调用“indexOf”性能跟方法1差不多，

       实现思路：如果当前数组的第i项在当前数组中第一次出现的位置不是i，那么表示第i项是重复的，忽略掉。否则存入结果数组。

       function unique3(array){

        var n = [array[0]]; //结果数组

        //从第二项开始遍历

        for(var i = 1; i < array.length; i++) {

        //如果当前数组的第i项在当前数组中第一次出现的位置不是i，

        //那么表示第i项是重复的，忽略掉。否则存入结果数组

        if (array.indexOf(array[i]) == i) n.push(array[i]);

        }

        return n;

       }4.排序后相邻去除法

       虽然原生数组的”sort”方法排序结果不怎么靠谱，但在不注重顺序的去重里该缺点毫无影响。

       实现思路：给传入数组排序，排序后相同值相邻，然后遍历时新数组只加入不与前一值重复的值。

       // 将相同的值相邻，然后遍历去除重复值

       function unique4(array){

        array.sort();

        var re=[array[0]];

        for(var i = 1; i < array.length; i++){

        if( array[i] !== re[re.length-1])

        {

        re.push(array[i]);

        }

        }

        return re;

       }5.优化遍历数组法

       源自外国博文，该方法的实现代码相当酷炫；

       实现思路：获取没重复的最右一值放入新数组。（检测到有重复值时终止当前循环同时进入顶层循环的下一轮判断）

       // 思路：获取没重复的最右一值放入新数组

       function unique5(array){

        var r = [];

        for(var i = 0, l = array.length; i < l; i++) {

        for(var j = i + 1; j < l; j++)

        if (array[i] === array[j]) j = ++i;

        r.push(array[i]);

        }

        return r;

       }上面是我整理给大家的，希望今后会对大家有帮助。

       相关文章：

       在nodejs中Express与Koa2对比区分（详细教程）

       js中的闭包（详细教程）

       JS中的单例模式实现对数据增删改查

       使用Vue仿制今日头条（详细教程）

       React开发如何配置eslint

       js的作用域、预解析机制（详细教程）

C#数据去重的这几种方式，你知道几种？

       讨论C#数据去重的常见方式，每种方法有其特点与适用场景，选择最合适的策略至关重要。欢迎在评论区分享更多有效数据去重方法。

       使用HashSet进行去重，它确保元素唯一，添加重复值时被忽略，实现高效数据去重。

       Linq的Distinct()方法提供简单高效去重，基于元素相等性筛选出不重复元素，底层利用HashSet实现。

       借助Linq的GroupBy()方法，根据指定键或条件对集合元素进行分组，通过选择每个分组的第一个元素实现去重。

       采用自定义比较器与循环遍历实现直接去重，具体示例源码可参考github链接。

七爪源码：LeetCode - 从排序列表中删除重复项

       问题描述：给定一个已排序的链表，目标是删除其中所有重复的节点，只保留每个数字的首次出现，然后返回处理后的有序链表。

       示例1：删除重复的节点，例如给定链表1->1->2，结果为1->2。

       示例2：处理复杂边缘情况，如给定链表1->1->2->3->3，结果应为1->2->3。

       解决方案策略：

       使用哈希映射：遍历链表，将节点值作为哈希键，记录出现次数。只保留出现一次的节点，时间复杂度O(N)，空间复杂度O(N)。

       哨兵节点：利用哨兵头节点，处理重复子列表时的边界情况。遍历链表，比较节点值和下一个节点，时间复杂度O(N)，空间复杂度O(1)。

       以下是不同编程语言的实现：

       C++代码示例

       (C++代码略)

       Golang代码示例

       (Golang代码略)

       Javascript代码示例

       (Javascript代码略)

       通过以上算法，我们能够有效地处理并返回一个去重后的有序链表。测试后，算法表现良好。