草庐IT

java - 我如何分析约 13GB 的数据？

coder 2023-08-28 原文

我有大约 300 个文本文件，其中包含有关跟踪器、种子和同行的数据。每个文件的组织方式如下:

tracker.txt

time torrent
    time peer
    time peer
    ...
time torrent
...

每个跟踪器我有几个文件，很多信息都是重复的(相同的信息，不同的时间)。

我希望能够分析我拥有的东西并报告诸如此类的统计数据

  • 每个跟踪器有多少种子
  • 列出了多少个种子
  • 种子有多少对等点
  • 有多少种子给同行

庞大的数据量让我很难做到这一点。这是我尝试过的。

MySQL

我把所有东西都存入数据库；每个实体类型一个表和用于保存关系的表(例如，这个 torrent 在这个跟踪器上)。

将信息添加到数据库的速度很慢(我尝试这样做时没有 13GB 的信息)，但事后分析关系是行不通的。每个稍微复杂的查询都需要超过 24 小时才能完成(如果有的话)。

一个示例查询是:

SELECT COUNT(DISTINCT torrent) 
    FROM TorrentAtPeer, Peer 
    WHERE TorrentAtPeer.peer = Peer.id 
    GROUP BY Peer.ip;

我尝试增加我的 my.cnf 文件中的内存分配，但它似乎没有帮助。我使用了 my-innodb-heavy-4G.cnf 设置文件。

编辑:添加表格详细信息

这是我使用的:

Peer         Torrent                  Tracker        
-----------  -----------------------  ------------------  
id (bigint)  id (bigint)              id (bigint)
ip* (int)    infohash* (varchar(40))  url (varchar(255))
port (int)

TorrentAtPeer      TorrentAtTracker
-----------------  ----------------
id (bigint)        id (bigint)
torrent* (bigint)  torrent* (bigint)
peer* (bigint)     tracker* (bigint)
time (int)         time (int)

*indexed field. Navicat reports them as being of normal type and Btree method.
id - Always the primary key

没有外键。我对自己仅使用与现有实体对应的 ID 的能力充满信心，添加外键检查似乎是不必要的延迟。这是天真吗？

Matlab

这似乎是一个专为繁重工作而设计的应用程序，但我无法分配足够的内存来一次性保存所有数据。

我没有数字数据，所以我使用元胞数组，我从这些转移到尝试减少足迹。我无法让它工作。

Java

我迄今为止最成功的尝试。我找到了 Limewire 的人员提供的 Patricia Tries 的实现。使用它我能够读取数据并计算我有多少个独特的实体:

  • 13 个跟踪器
  • 170 万个种子
  • 3200 万同行

我仍然发现很难计算出同行中种子文件数量的频率。我试图通过构建这样的尝试来做到这一点:

Trie<String, Trie<String, Object>> peers = new Trie<String, Trie<String, Object>>(...);
for (String line : file) {
    if (containsTorrent(line)) {
        infohash = getInfohash(line);
    }
    else if (containsPeer(line)) {
        Trie<String, Object> torrents = peers.get(getPeer(line));
        torrents.put(infohash, null);
    }
}

根据我目前所做的，如果我可以构建这个 peers trie，那么我可以很容易地找出每个节点有多少种子。我昨天运行了所有程序，当我回来时，我注意到日志文件没有被写入，我^Z 应用程序和time 报告了以下内容:

real 565m41.479s
user 0m0.001s
sys  0m0.019s

我觉得这不对，user 和 sys 应该这么低吗？我应该提一下，我还将 JVM 的堆大小增加到 7GB(最大和开始)，否则我很快就会遇到内存不足错误。

我不介意等待几个小时/几天，但看起来这件事在大约 10 个小时后就停止了。

我想我的问题是，我该如何着手分析这些数据？我尝试过的事情是正确的吗？有什么我想念的吗？ Java 解决方案似乎是迄今为止最好的解决方案，我可以做些什么来让它工作吗？

最佳答案

您声明您的 MySQL 查询花费的时间太长。您是否确保有适当的索引来支持您提交的请求类型？在您的示例中，这将是 Peer.ip 的索引(甚至是嵌套索引 (Peer.ip,Peer.id))和 的索引TorrentAtPeer.peer.

据我了解您的 Java 结果，您有很多数据，但没有那么多不同的字符串。因此，您可以通过为每个跟踪器、种子和对等程序分配一个唯一编号来节省一些时间。为每个使用一个表，一些索引值保存字符串和一个数字主键作为 id。这样，与这些实体相关的所有表都只需处理这些数字，这可以节省大量空间并使您的操作更快。

关于java - 我如何分析约 13GB 的数据？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/11449965/

java13跟踪器code种子databasematlablarge-data

有关java - 我如何分析约 13GB 的数据？的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

    总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

  3. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  4. ruby-on-rails - 如何验证 update_all 是否实际在 Rails 中更新 - 2

    给定这段代码defcreate@upgrades=User.update_all(["role=?","upgraded"],:id=>params[:upgrade])redirect_toadmin_upgrades_path,:notice=>"Successfullyupgradeduser."end我如何在该操作中实际验证它们是否已保存或未重定向到适当的页面和消息？ 最佳答案 在Rails3中，update_all不返回任何有意义的信息，除了已更新的记录数(这可能取决于您的DBMS是否返回该信息)。http://ar.ru

  5. ruby-on-rails - 'compass watch' 是如何工作的/它是如何与 rails 一起使用的 - 2

    我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t

  6. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

    我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

  7. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

    我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

  8. ruby - 如何指定 Rack 处理程序 - 2

    Rackup通过Rack的默认处理程序成功运行任何Rack应用程序。例如:classRackAppdefcall(environment)['200',{'Content-Type'=>'text/html'},["Helloworld"]]endendrunRackApp.new但是当最后一行更改为使用Rack的内置CGI处理程序时，rackup给出“NoMethodErrorat/undefinedmethod`call'fornil:NilClass”:Rack::Handler::CGI.runRackApp.newRack的其他内置处理程序也提出了同样的反对意见。例如Rack

  9. ruby - 如何每月在 Heroku 运行一次 Scheduler 插件？ - 2

    在选择我想要运行操作的频率时，唯一的选项是“每天”、“每小时”和“每10分钟”。谢谢!我想为我的Rails3.1应用程序运行调度程序。 最佳答案 这不是一个优雅的解决方案，但您可以安排它每天运行，并在实际开始工作之前检查日期是否为当月的第一天。 关于ruby-如何每月在Heroku运行一次Scheduler插件？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/8692687/

  10. ruby-on-rails - 如何从 format.xml 中删除 <hash></hash> - 2

    我有一个对象has_many应呈现为xml的子对象。这不是问题。我的问题是我创建了一个Hash包含此数据，就像解析器需要它一样。但是rails自动将整个文件包含在.........我需要摆脱type="array"和我该如何处理？我没有在文档中找到任何内容。 最佳答案 我遇到了同样的问题；这是我的XML:我在用这个:entries.to_xml将散列数据转换为XML，但这会将条目的数据包装到中所以我修改了:entries.to_xml(root:"Contacts")但这仍然将转换后的XML包装在“联系人”中，将我的XML代码修改为

随机推荐