PHP代码，用于比较两个具有约300000个条目和输出差异的大型文本文件

我有两个列表A和B，B=A+C-D。所有元素都是唯一的，没有重复项。如何获取以下列表：
（1） 新添加的项目，C
（2） 已删除的旧项目，D

C和D不超过10000个元素左右

编辑 废话，抱歉，伙计们-忘了重要的细节-这些都是文本文件，不是内存元素

function diffLists($listA,$listB) {

  $resultAdded = array();
  $resultRemoved = array();
  foreach($listB AS $item) {
    if (!in_array($item,$listA)) {
       $resultAdded[] = $item;
    }
  }
  foreach($listA AS $item) {
    if (!in_array($item,$listB)) {
      $resultRemoved[] = $item;
    }
  }
  return array($resultAdded,$resultRemoved);
}



$myListA = array('item1','item2','item3');
$myListB = array('item1','item3','item4');
print_r(diffLists($myListA,$myListB));

---

这将输出一个包含2个元素的数组。第一个元素是在列表B中添加的项目列表，第二个元素是在列表B中删除的项目列表。

如果要更有效地执行此操作，您可能需要尝试Levenshtein算法

---

在B中搜索A的每个值（反之亦然）具有O（n^2）复杂性

---

对于大量数据，您可能最好对每个列表进行排序O（n logn），然后对排序后的列表进行一次遍历，计算添加/删除的元素。（相对容易做到，因为你知道没有重复项。）

我认为数组的大小是无关紧要的，除非你真的想关注这个操作的性能，也就是说，你每单位时间要执行特定数量的执行

如果你只是需要做它来完成它，这对我来说似乎很微不足道

---

最有效的方法是首先对列表进行排序，并尽可能少地访问数组元素。例如：

<?php

sort($a, SORT_NUMERIC);
sort($b, SORT_NUMERIC);
$c = array();
$d = array();
while (($currA = array_pop($a)) !== null) {
        while (($currB = array_pop($b)) !== null) {
                if ($currB == $currA) {
                        // exists in both, skip value
                        continue 2;
                }
                if ($currA > $currB) {
                        // exists in A only, add to D, push B back on to stack
                        $d[] = $currA;
                        $b[] = $currB;
                        continue 2;
                }
                // exists in B only, add to C
                $c[] = $currB;
        }
        // exists in A only, for values of A < all of B
        $d[] = $currA;
}

---

您说过您已经有两个文件A和B

假设您在Unix系统上运行，下面是最简单、最快的解决方案

system("comm -13 A B > C");
system("comm -23 A B > D");

//read C and D in PHP

我们在谈论桌子和MySQL吗？你们有两张桌子（a、b）还是四张桌子（a、b、c、d）。新项目与什么相比？约会？你有没有一个表格来记录哪些元素被删除了？你需要另一张桌子吗？你的问题很含糊。我不知道这比仅仅使用
array\u diff（）
有什么好处？最终，您将在_array（）中调用大约600000个
here@Tom-我下意识的反应是同意您的意见，因为此解决方案中的每个foreach块都复制了数组_diff。但我对10k和20k元素数组进行了一些基准测试，令人震惊的是，foreach循环的运行速度比数组_diff快得多，可以获得较大的输入。不过，它仍然比我发布的排序和搜索解决方案慢几个数量级。啊，array_diff目前在性能方面存在缺陷：我认为你太快就忽略了性能的相关性。如果生成的数组如OP所说的每个都是~10k行，那么输入数组如果不是更大的话，至少也会有那么大。试着用$a=range（110000）和$b=range（220000,2）创建10k元素输入数组，然后运行您的方法，对我来说，这需要14秒（web请求的时间永远很长）。将其增加到20k个元素输入数组，其中$a=范围（120000）和$b=范围（240000,2），需要45秒。使用我为这个问题发布的解决方案，第一个案例需要0.02秒，第二个案例需要0.04秒。@Kevin-我理解所有这些-甚至在我发布之前。但谁说这是一个网络请求？你的解决方案很棒——但这并不意味着你不能一次性使用廉价的暴力。更不用说我在表现上完全符合我的要求。我认为说“我驳回了它”是相当不准确的。@Peter-很公平，但问题的标题是30万行列表。我厌倦了等待array_diff完成这种大小的输入（它仍在运行，11分钟以上，我的cpu被锁定），而我发布的解决方案仍然花费了<2秒的时间。我认为array_diff解决方案太快地忽略了数组大小的相关性。即使这不是一个web请求，谁还想测试每个测试用例运行这么长时间的代码？array_diff的速度问题似乎是在5.2.4（2009年初）之后引入的一个bug，因此，如果该bug得到解决，我的评论可能完全不相关。链接票证确实有一个解决方案，在这种情况下可以很好地工作，并且比我提供的解决方案更快。速度+1。我只想补充一点，这是对原始阵列的破坏——因此，如果这对OP有影响，他应该先复制它们。非常漂亮！对我来说非常有用！！谢谢你，威尔！
system("comm -13 A B > C");
system("comm -23 A B > D");

//read C and D in PHP