- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有两个数据文件。第一个是转储文件,它非常大(超过 6Gb)并且包含来自数据库的记录。第二个是字符串列表(每行一个字符串)我必须在另一个文件的行(大约 50k 行)中找到部分匹配项。到目前为止,我在 bash 中对第一个文件做了一些操作。我已经将第一个字段(包含对我有用的信息)打印到一个新文件中,而不是删除前 25 行,其中只包含评论和生成的字符串,然后我做了一个唯一的排序(需要唯一,因为在第一个字段值,我认为按字母排序可能会加快搜索速度)。在我的笔记本电脑上生成它大约需要半个小时。最后,文件每行包含一个字符串,大约有 10^8 行。
awk '{print $1}' dump > first
sed '1,25d' first > temp_data
sort -u temp_data > data
现在我必须从较大的文件中找到较小文件中所有字符串的部分匹配(或至少它们的计数)。首先我想我会用 bash 来完成并运行以下代码:
awk 'FNR==NR{a[$1]; next} {s=$1; for (i in a) if (index(i, $1)) s=s FS i; if (s!=$1) print s}' serach_strings data > result
但看起来它会永远运行所以我决定尝试将文件加载到 mysql(加载更大的文件大约需要半小时)并尝试使用几个测试字符串运行:
SELECT COUNT(*) FROM data WHERE name LIKE '%teststring%';
这大约需要 30 秒,所以如果我算上 50k 的搜索,这将需要大约 17 天,这是 Not Acceptable ,因为我必须每隔几天运行一次整个过程。
所以问题是,我怎样才能在几个小时内更有效地实现该结果。目前我正在我的笔记本电脑上测试这个,但我有一台台式电脑,我可以在上面安装一个服务器版本的 Linux,它可以用来运行这个任务。该任务最重要的特征是什么(处理器速度、核心数、内存)?
欢迎提出任何建议。
最佳答案
您可以尝试以下方法:
Step1:如果你使用的是 mysql 5.6 版本,那么你可以保留你的数据表 innodb 或 myisam,但如果你使用的是较低版本,则保留你的表 myisam。
第 2 步:在要搜索字符串的列上创建全文索引。
第 3 步:创建一个存储过程,它将把第二个表中的所有字符串保存在游标中,并从数据表中逐个搜索并将计数存储在任何表中,您可以在第二个表中针对各种字符串进行更新,或者您可以插入任何新表。
在答案中添加:
如果您分享表大小、表架构、服务器配置,那么我可以帮助您。此外,您可以尝试以下 -
创建全文索引的命令:
ALTER TABLE mytable ADD FULLTEXT(mycoloumn);
如果您在更改表格时遇到问题,则可以更改以下变量:
tmp_table_size = 1G
max_heap_table_size = 1G
max_allowed_packet = 64M
key_buffer_size = 50M
innodb_buffer_pool_size = half of your RAM
注意:您的机器中有足够的 RAM。
更改后重新启动 mysql 并尝试更改,更改后您可以根据需要更改这些变量。
关于mysql - 大数据文件、操作和搜索,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22091205/
我正在努力做到这一点 在我的操作中从数据库获取对象列表(确定) 在 JSP 上打印(确定) 此列表作为 JSP 中的可编辑表出现。我想修改然后将其提交回同一操作以将其保存在我的数据库中(失败。当我使用
我有以下形式的 Linq to Entities 查询: var x = from a in SomeData where ... some conditions ... select
我有以下查询。 var query = Repository.Query() .Where(p => !p.IsDeleted && p.Article.ArticleSections.Cou
我正在编写一个应用程序包,其中包含一个主类,其中主方法与GUI类分开,GUI类包含一个带有jtabbedpane的jframe,它有两个选项卡,第一个选项卡包含一个jtable,称为jtable1,第
以下代码产生错误 The nested query is not supported. Operation1='Case' Operation2='Collect' 问题是我做错了什么?我该如何解决?
我已经为 HA redis 集群(2 个副本、1 个主节点、3 个哨兵)设置了本地 docker 环境。只有哨兵暴露端口(10021、10022、10023)。 我使用的是 stackexchange
我正在 Desk.com 中构建一个“集成 URL”,它使用 Shopify Liquid 模板过滤器语法。对于开始日期为 7 天前而结束日期为现在的查询,此 URL 需要包含“开始日期”和“结束日期
你一定想过。然而情况却不理想,python中只能使用类似于 i++/i--等操作。 python中的自增操作 下面代码几乎是所有程序员在python中进行自增(减)操作的常用
我需要在每个使用 github 操作的手动构建中显示分支。例如:https://gyazo.com/2131bf83b0df1e2157480e5be842d4fb 我应该显示分支而不是一个。 最佳答
我有一个关于 Perl qr 运算符的问题: #!/usr/bin/perl -w &mysplit("a:b:c", /:/); sub mysplit { my($str, $patt
我已经使用 ArgoUML 创建了一个 ERD(实体关系图),我希望在一个类中创建两个操作,它们都具有 void 返回类型。但是,我只能创建一个返回 void 类型的操作。 例如: 我能够将 book
Github 操作仍处于测试阶段并且很新,但我希望有人可以提供帮助。我认为可以在主分支和拉取请求上运行 github 操作,如下所示: on: pull_request push: b
我正在尝试创建一个 Twilio 工作流来调用电话并记录用户所说的内容。为此,我正在使用 Record,但我不确定要在 action 参数中放置什么。 尽管我知道 Twilio 会发送有关调用该 UR
我不确定这是否可行,但值得一试。我正在使用模板缓冲区来减少使用此算法的延迟渲染器中光体积的过度绘制(当相机位于体积之外时): 使用廉价的着色器,将深度测试设置为 LEQUAL 绘制背面,将它们标记在模
有没有聪明的方法来复制 和 重命名 文件通过 GitHub 操作? 我想将一些自述文件复制到 /docs文件夹(:= 同一个 repo,不是远程的!),它们将根据它们的 frontmatter 重命名
我有一个 .csv 文件,其中第一列包含用户名。它们采用 FirstName LastName 的形式。我想获取 FirstName 并将 LastName 的第一个字符添加到它上面,然后删除空格。然
Sitecore 根据 Sitecore 树中定义的项目名称生成 URL, http://samplewebsite/Pages/Sample Page 但我们的客户有兴趣降低所有 URL(页面/示例
我正在尝试进行一些计算,但是一旦我输入金额,它就会完成。我只是希望通过单击按钮而不是自动发生这种情况。 到目前为止我做了什么: Angular JS - programming-fr
我的公司创建了一种在环境之间移动文件的复杂方法,现在我们希望将某些构建的 JS 文件(已转换和缩小)从一个 github 存储库移动到另一个。使用 github 操作可以实现这一点吗? 最佳答案 最简
在我的代码中,我创建了一个 JSONArray 对象。并向 JSONArray 对象添加了两个 JSONObject。我使用的是 json-simple-1.1.jar。我的代码是 package j
我是一名优秀的程序员,十分优秀!