- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
分析海量数据
转自cnblogs
程序员应知 -- 如何分析海量数据
在这个云计算热炒的时代,如果你没有处理过海量数据的话,你将不再是个合格的Coder。现在赶紧补补吧~
前一阵子分析了一个将近1TB的数据群(gz文件,压缩率10%)。因为第一次分析如此巨大的数据,没有经验,所以浪费了许多时间。下面是我整理的一些经验,方便后者。
欢迎各种补充,我会不断更新这篇文章;觉得有用的话,速度分享链接;有不同意见的话,请果断拍砖;
下载数据
Q:怎么自动下载多个文件?
这是我遇到的第一个问题。当数据量很大时,一般都会分成很多个文件存放。这时下载文件比较麻烦。
A:用Wget命令。Windows下花费一点时间去下载安装。但之于手动下载,能省不少时间。
我提供两种方式方式下载文件,
a)用Wget的递归下载选项 “-r”。一般命令如下
wget –r http://下载数据的根目录/? -o 下载记录文件名? -np
因为递归下载没法控制进度,所以建议不一要次递归下载太多的文件
b)用Bat+Wget,多次执行Wget。一般命令如下
wget –r http://下载数据的根目录分支1/? -o 下载记录文件名? -np
wget –r http://下载数据的根目录分支2/? -o 下载记录文件名? -np
wget –r http://下载数据的根目录分支3/? -o 下载记录文件名? -np
…… ……
wget –r http://下载数据的根目录分支N/? -o 下载记录文件名? -np
用Bat可以降低出错带来的影响。
另外,Wget可以通过 –A 选项来指定希望下载的文件的后辍,通过 –P 选项来指定下载文件存放路径。更多命令,参见wget -h
?
Q:这速度。。。什么时候才能下完?
网速永远是个瓶颈
A:如果下载服务很远的话,你应该考虑代理。wget设置代理的方式如下
set http_proxy=http://代理服务器
不要忘了多开几个进程,20个试试?
?
打开文件
Q:怎么打开文本文件
这不是弱智问题。你用记事本打开一个1000MB的文件试试
A:LTF viewer
Large Text File viewer, 打开速度会让你惊奇
?
Q:怎么打开二进制文件
A:Hex Editor Neo
你可以通过下面方式来选择进制:
右击数据区 = Display As = Hex|Decimal|Octal|Binary|Float|Double
你可以通过下面方式来选择按多少字节显示:
右击数据区 = Group By = Bytes|Words|Double|Quad
??
编程语言
当数据量很大时,选择语言要慎重了。因为不同语言有不同的特点,你要在编程时间和运行时间之间权衡。
模型测试
开始时,一般挑几个小的数据进行测试,获取第一份分析结果。这时当然希望能快速编程实现。脚本语言是一个很好的选择,比如Python。
大量处理
开始遍历处理所有数据时,用脚本语言来处理就不太合适了。因为脚本语言的运行时间不能让人接受。另外,还有内存使用,文件读写这些你都没法控制。不幸的是,很少语言会为你处理海量文件做优化。
这时,C/C++是最好的选择。
结果展示
漫长的等待终于过去了,眼看就要出结果了。如果你还执着于陪伴你度过漫长等待的C/C++的话,你迟早会沮丧的。
我尝试了很多方式之后,得出的结论是,让Matlab来接手C/C++。Matlab能轻而易举地展示大量数据。更重要的是Matlab支持读取二进制文件。
filename = out.bin;??????? % binary filefid = fopen( filename );data = fread( fid, itemsNumber, *uint32);fclose(fid);
??
算法
一次性读文件
我已经测试过好几次了,一次性读取文件比一行一行读文件至少快五倍
记住O(N)
这时你要好好考虑算法的复杂度了。任何O(N2)的算法都不可取。
必要的时候可以通过空间来换时间。通常哈希表能节省不少时间。
并行处理
温习一下并行算法。这比等待单线程程序好很多。
可以考虑在GPU上跑程序。当然,内存和文件读取时间更可能是瓶颈。
内存、CPU、磁盘读取速度,谁是瓶颈,任务管理器知道。
优化核心代码
通常80%的时间在运行20%的代码。所以有空的话优化下经常经常执行的代码。
分布式保存
把分析结果存在一个文件中是一个很糟糕的决定。这会为后面处理带来很多麻烦。比如并行处理,文件过大等。
二进制方式保存中间数据
二进制方式存放通常能省一半的磁盘空间。这同时意味着减少一半的写硬盘时间和读硬盘时间。当然,还有文本转换时间。
还有个重要细节要注意:在Windo
文档评论(0)