- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
原始数据可以描述为固定数量的列(大约几千列)和很大数量的行(大约数十亿行)。每个细胞都有一点。所需的查询类似于查找设置了位1232929123020的所有行。有点像
for (i=0;i< max_ents;i++)
if (entry[i].data & mask == mask)
add_result(i);
最佳答案
这看起来类似于“文本搜索”,特别是交叉反向索引。让我来看看最简单的算法。
首先,您应该在设置每个位的地方创建排序的数字列表。例如,对于数字表:
第1行->10110
第2行->00111
第3行->11110
第4行->00011
第5行->01010
第6行->10101
可以创建反向索引:
位0在->2、4、6中设置
位1设置在->1、2、3、4、5中
位2设置在->1、2、3、6中
等。
现在,对于一个查询(比方说位0&1&2),您只需要使用类似于合并排序的算法来合并这些排序过的列表。为此,您可以首先合并列表0,1,给出{2,4},然后将其与列表2合并,给出{2}。
有几种优化是可能的,包括但不限于压缩这些列表,因为连续项之间的差异通常很小,可以进行更有效的合并等。
但是,为了省去更多的麻烦,为什么不重用其他人已经做过的工作呢?;)…你可以很容易地使用任何开源文本搜索引擎(我建议Lucene)来执行这个任务(应该可以在不到一天的编码时间内完成),它应该包含人们长期以来构建的几个优化;)。(提示:在文本搜索术语中,应该将每一行视为“doc”,将每一位视为“token”)。
编辑(根据问题作者的请求添加一些算法):
a)压缩:你能做的最有效的事情之一是压缩发布列表(对应于每个位置的排序列表)。大多数算法通常取连续项的差异,然后根据一些编码(Gamma Coding,Varint Encoding)对其进行压缩。这将压缩倒排列表,使其占用更少的文件空间(从而减少文件I/O),或者使用更少的内存对同一组数字进行编码。在您的情况下,我可以估计每个发布列表将包含~5%*1e9=5e7元素。如果它们均匀分布在0-1e9之间,那么间隔应该在20左右,所以我们假设每个间隔的编码平均需要大约8b(这是一个很大的高估值),加起来高达500mb。所以对于1000个列表,您需要500GB的空间,这肯定需要一个磁盘空间。这反过来意味着您应该尽可能使用好的压缩算法,因为更好的压缩意味着更少的文件I/O,而且您将受到I/O的限制。
b)交集顺序:您应该始终从最小的开始交集列表,因为这样可以保证通过下面所示的技术创建最小大小的中间列表,这意味着以后更少的比较。
c)合并算法:由于索引几乎肯定会溢出到磁盘,因此在算法级别上可能做不了多少事情。但是,使用的一些想法是使用基于二进制搜索的过程来合并两个列表,而不是简单的线性合并过程,以使列表中的一个比另一个小得多(这将导致O(N*log(M))
复杂性而不是O(N+M)
这里M >> N
)。但是对于基于文件的索引,这几乎不是一个好主意,因为二进制搜索会进行许多随机访问,这会完全增加磁盘延迟,而线性合并过程是严格按顺序进行的。
d)Skip Lists:这是另一个伟大的数据结构,用于存储已排序的投递列表,它还可以支持前面提到的高效“二进制搜索”。这里的关键思想是,跳过列表的上层可以保存在内存中,这可以大大加快交集算法的最后阶段,这时您可以简单地搜索内存中的上层以获得磁盘偏移量,然后从那里进行磁盘访问。有一点是二进制搜索+基于skiplist的合并比线性合并更有效,并且可以通过实验找到。
e)缓存:无需考虑。如果某些术语经常出现,请将它们缓存在内存中,以便将来更有效地获取它们。请注意,缓存也可以是,例如更快的基于闪存的磁盘,它可以提供更好的吞吐量,也可能缓存大量更频繁的项(32GB内存只能容纳约64个列表,而256GB闪存可以容纳约512个)。
关于database - 具有固定列数的可搜索位矩阵的一个好的表示形式是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22234171/
我们使用 Azure 弹性池,生成多个客户端数据库和一个引用客户端数据库的主数据库。 我们已经拥有多个数据库,并且正在开发新版本的代码。我们使用 EF6 代码优先。当我们对模型进行更改(添加属性)时,
我们使用 Azure 弹性池,生成多个客户端数据库和一个引用客户端数据库的主数据库。 我们已经拥有多个数据库,并且正在开发新版本的代码。我们使用 EF6 代码优先。当我们对模型进行更改(添加属性)时,
我希望将一些信息分发到不同的机器上,以便在没有任何网络开销的情况下实现高效和极快的访问。数据存在于关系模式中,实体之间的关系是“加入”的要求,但根本不是写入数据库的要求(它会离线生成)。 我非常相信
我使用 GrapheneDB 来托管我的 neo4j 数据库 (db)。 问题 我有 N客户并且正在寻找自动分离他们的内容(他们独特的数据库)的方法,以便: 它不重叠数据 操作速度不受影响。 选项 1
当服务器开始工作(Tomcat)时,日志显示此错误: org.springframework.beans.factory.BeanDefinitionStoreException: Invalid b
我在 Oracle 数据库实例中按以下方式创建了一个触发器。 CREATE OR REPLACE TRIGGER after_logon_on_database AFTER LOGON ON DATA
原谅我的无知,我是数据库约定的初学者。 这是我的 SQLite 代码:(由我的数据库浏览器自动生成) CREATE TABLE `ResearchItems` ( `ID` INTEGER NO
是的是的是的,我已经在整个互联网上搜索过这个问题。一些结果发现,甚至来自 Stackoverflow。但是他们中的大多数人说“你应该自动加载数据库”,或者“parent::__construct();
我正在创建一个 Mac 应用程序,它将一些数据保存到 SQLite 数据库中。问题是:当我关闭数据库并再次打开时,数据不存在了。这是我的代码: NSString *sql = [NSString st
我正在建立一个网站,我打算发布各种帖子,比如教程、文章等。我打算用 php 来管理它,但是当涉及到存储每个帖子的内容时,将要显示的文本,更好的选择是:使用单独的文本文件还是将其添加为数据库中的每个条目
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 3 年前。 Improve this qu
对不起,这个关键字对我来说没有任何意义...有人可以给我一个定义吗? 提前致谢... 最佳答案 这是一个品牌。 http://pervasive.com/这是他们的数据库产品的链接 http://ww
我已经在 docker 版本 1.10.1 的 docker 镜像中安装了 PostgreSQL 9.4.6。根据这张官方图片: https://github.com/docker-library/p
当我的 android 应用程序尝试读取 android 短信数据库时,我遇到了这个崩溃。读取android短信数据库的代码类似于下面的代码 fragment : String SMS_URI = "
我有一个 public kit repo,我推送了 v1.0.3 并具有以下结构 go -database --database.go --go.mod --go.sum 我需要它 require g
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 9 年前。 Improve this qu
我们正在使用MySQL数据库在Go中创建一个Web应用程序。我们的用户一次只能拥有一个活跃的客户端。就像Spotify一样,您一次只能在一台设备上听音乐。为此,我制作了一个映射,将用户ID和作为其值的
我已经尝试在 PostgreSQL 中创建数据库好几天了,遇到了几个问题,但似乎卡住了。 我在 PostgreSQL 中手动创建了一个名为 postgres_development 的数据库,因为 b
我正在创建一个 iMessage 应用程序,它需要连接到与我的常规应用程序相同的数据库。 我调用 FirebaseApp.configure() 并对用户进行身份验证,但出于某种原因,在所有 Data
就像std::unordered_map但所有数据都应存储在磁盘上而不是内存中。 按照我的理解,应该做两部分:索引和存储。我已经学习了一些关于索引的数据结构,比如 Linear-Hash 或 B-Tr
我是一名优秀的程序员,十分优秀!