Java 如何分析~13GB的数据?
我有大约300个文本文件,其中包含有关跟踪器、种子和对等点的数据。每个文件的组织方式如下:Java 如何分析~13GB的数据?,java,database,matlab,large-data,Java,Database,Matlab,Large Data,我有大约300个文本文件,其中包含有关跟踪器、种子和对等点的数据。每个文件的组织方式如下: Trie<String, Trie<String, Object>> peers = new Trie<String, Trie<String, Object>>(...); for (String line : file) { if (containsTorrent(line)) { infohash = getInfohash(l
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);
}
}
tracker.txt
time torrent
time peer
time peer
...
time torrent
...
我每个跟踪器有几个文件,而且大部分信息都是重复的(相同的信息,不同的时间)
我希望能够分析我所拥有的东西,并报告类似的统计数据
- 每个跟踪器上有多少个激流
- torrents上列出了多少个跟踪器
- torrents有多少个节点
- 有多少洪流到同龄人
SELECT COUNT(DISTINCT torrent)
FROM TorrentAtPeer, Peer
WHERE TorrentAtPeer.peer = Peer.id
GROUP BY Peer.ip;
我试图增加我的my.cnf
文件中的内存分配,但似乎没有帮助。我使用了my-innodb-heavy-4G.cnf
settings文件
编辑:添加表详细信息
以下是我使用的:
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。我相信自己能够只使用与现有实体对应的ID,添加外键检查似乎是一个不必要的延迟。这是天真的吗
Matlab
这看起来像是一个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,所以我使用了细胞阵列,我从这些移动到尝试,以努力减少足迹。我无法让它工作
Java
我迄今为止最成功的尝试。我发现了一个由Limewire的人提供的Patricia Trys的实现。使用此功能,我能够读取数据并计算出我拥有多少独特的实体:
- 13个跟踪器
- 170万英里急流
- 3200万同级
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);
}
}
在我看来,这是不对的,用户和系统应该这么低吗?我应该提到的是,我还将JVM的堆大小增加到了7GB(最大值和开始值),如果不这样做,我很快就会出现内存不足错误
我不介意等上几个小时/天,但这件事似乎在大约10小时后就停止了
我想我的问题是,我该如何分析这些数据?我试过的东西对吗?有什么东西我错过了吗?Java解决方案似乎是目前为止最好的,我能做些什么来让它工作吗?您说您的MySQL查询花费了太长时间。您是否确保有适当的索引来支持您提交的请求?在您的示例中,这将是
Peer.ip
(甚至是嵌套索引(Peer.ip,Peer.id)
)的索引和TorrentAtPeer.Peer
的索引
据我所知,Java结果有很多数据,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、torrent和peer分配一个唯一的编号来节省一些时间。每个表使用一个表,一些索引值包含字符串和一个数字主键作为id。这样,所有与这些实体相关的表都只需要处理这些数字,这可以节省大量空间并使您的操作更快。我将尝试MySQL,但使用不同的模式:
- 不要在此处使用id列
- 在此处使用自然主键:
对等:ip,端口
Torrent:infohash
跟踪器:url
TorrentPeer:对等ip、TorrentInfoHash、对等端口、时间
TorrentTracker:跟踪器url、torrent\u信息哈希、时间 - 对所有表使用innoDB引擎
- InnoDB对主键使用聚集索引。这意味着,当您仅从主键列请求数据时,可以直接从索引检索所有数据,而无需额外查找。所以InnoDB表在某种程度上是索引组织的表
- 更小的尺寸,因为您不必存储代理密钥。->速度,因为更少的IO可以获得相同的结果
- 您现在可以不使用(昂贵的)联接来执行某些查询,因为您使用的是自然主键和外键。例如,链接表
直接包含TorrentAtPeer
,作为对等表的外键。如果您需要查询子网中的对等方使用的torrents,您现在可以不使用联接来进行查询,因为所有相关数据都在链接表中对等ip
SELECT Peer.ip, COUNT(DISTINCT torrent)
FROM TorrentAtPeer, Peer
WHERE TorrentAtPeer.peer = Peer.id
GROUP BY Peer.ip;
使用自然主键/外键:
SELECT peer_ip, COUNT(DISTINCT torrent)
FROM TorrentAtPeer
GROUP BY peer_ip;
编辑
原来发布的模式不是真实的。现在,
Peer
表有一个port
字段。我建议在这里使用主键(ip、端口),但仍然删除id列。这也意味着链接表需要有多列外键。调整答案…如果你可以使用C++,你应该看看.<
使用flyweight,您可以像编写字符串一样编写代码,但字符串的每个实例(跟踪器名称等)仅使用指针的大小
无论使用哪种语言,您都应该将IP地址转换为int(请看一看),以节省更多内存。您很可能会遇到这样的问题