- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
想象一下在 PostgreSQL 9.0 上有一个具有以下结构的表:
create table raw_fact_table (text varchar(1000));
为了简单起见,我只提到了一个文本栏,实际上它有十几个。该表有 100 亿行,每一列都有很多重复项。该表是使用 COPY FROM 从平面文件 (csv) 创建的。
为了提高性能,我想转换为以下星型模式结构:
create table dimension_table (id int, text varchar(1000));
然后事实表将被替换为如下所示的事实表:
create table fact_table (dimension_table_id int);
我目前的方法基本上是运行以下查询来创建维度表:
Create table dimension_table (id int, text varchar(1000), primary key(id));
然后创建填充我使用的维度表:
insert into dimension_table (select null, text from raw_fact_table group by text);
之后我需要运行以下查询:
select id into fact_table from dimension inner join raw_fact_table on (dimension.text = raw_fact_table.text);
想象一下我将所有字符串与所有其他字符串进行多次比较所获得的可怕性能。
在 MySQL 上,我可以在 COPY FROM 期间运行存储过程。这可以创建一个字符串的散列,所有后续的字符串比较都是在散列而不是长的原始字符串上完成的。这在 PostgreSQL 上似乎是不可能的,那我该怎么办?
示例数据将是一个 CSV 文件,其中包含如下内容(我也在整数和 double 周围使用引号):
"lots and lots of text";"3";"1";"2.4";"lots of text";"blabla"
"sometext";"30";"10";"1.0";"lots of text";"blabla"
"somemoretext";"30";"10";"1.0";"lots of text";"fooooooo"
最佳答案
Just imagine the horrible performance I get by comparing all strings to all other strings several times.
当您这样做一段时间后,您就会停止想象性能,并开始衡量它。 “过早的优化是万恶之源。”
“十亿”对您来说意味着什么?对我来说,在美国,这意味着 1,000,000,000(或 1e9)。如果您也是这样,那么您可能正在查看 1 到 7 TB 的数据。
My current method is to essentially run the following query to create the dimension table:
Create table dimension_table (id int, text varchar(1000), primary key(id));
如何将 100 亿行放入一个使用整数作为主键的表中?甚至可以说一半的行是重复的。当您这样做时,该算法是如何工作的?
别想了。先阅读。然后测试。
阅读Data Warehousing with PostgreSQL .我想这些演示幻灯片会给您一些想法。
另请阅读 Populating a Database ,并考虑实现哪些建议。
按照“分而治之”的过程,用一百万 (1e6) 行进行测试。也就是说,不要试图一次加载一百万;编写一个将其分解成更小块的过程。运行
EXPLAIN <sql statement>
您说过您估计至少有 99% 的重复行。从广义上讲,有两种方法可以摆脱欺骗
如果您仍然有加载的文本文件,我会考虑先在数据库外尝试。这个 awk 单行代码将从每个文件中输出唯一的行。它相对经济,因为它只传递一次数据。
awk '!arr[$0]++' file_with_dupes > file_without_dupes
如果您真的有 99% 的被骗,到这个过程结束时,您应该已经将 1 到 7 TB 的数据减少到大约 50 GB。而且,这样做之后,您还可以对每个唯一的行进行编号并创建一个制表符分隔的文件,然后再将其复制到数据仓库中。这是另一个单行:
awk '{printf("%d\t%s\n", NR, $0);}' file_without_dupes > tab_delimited_file
如果您必须在 Windows 下执行此操作,我会使用 Cygwin .
如果您必须在数据库中执行此操作,我会尽量避免使用您的生产数据库或生产服务器。但也许我太谨慎了。移动数 TB 的数据是一件代价高昂的事情。
但我会测试
SELECT DISTINCT ...
在使用 GROUP BY 之前。我也许可以为您在大型数据集上做一些测试,但可能不会在本周进行。 (我通常不处理 TB 大小的文件。这有点有趣。如果你可以等待。)
关于PostgreSQL:有效地将数据加载到星型模式中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4584177/
对此感到疯狂,真的缺少一些东西。 我有webpack 4.6.0,webpack-cli ^ 2.1.2,所以是最新的。 在文档(https://webpack.js.org/concepts/mod
object Host "os.google.com" { import "windows" address = "linux.google.com" groups = ["linux"] } obj
每当我安装我的应用程序时,我都可以将数据库从 Assets 文件夹复制到 /data/data/packagename/databases/ .到此为止,应用程序工作得很好。 但 10 或 15 秒后
我在 cc 模式缓冲区中使用 hideshow.el 来折叠我不查看的文件部分。 如果能够在 XML 文档中做到这一点就好了。我使用 emacs 22.2.1 和内置的 sgml-mode 进行 xm
已结束。此问题不符合 Stack Overflow guidelines .它目前不接受答案。 我们不允许提出有关书籍、工具、软件库等方面的建议的问题。您可以编辑问题,以便用事实和引用来回答它。 关闭
根据java: public Scanner useDelimiter(String pattern) Sets this scanner's delimiting pattern to a patt
我读过一些关于 PRG 模式以及它如何防止用户重新提交表单的文章。比如this post有一张不错的图: 我能理解为什么在收到 2xx 后用户刷新页面时不会发生表单提交。但我仍然想知道: (1) 如果
看看下面的图片,您可能会清楚地看到这一点。 那么如何在带有其他一些 View 的简单屏幕中实现没有任何弹出/对话框/模式的微调器日期选择器? 我在整个网络上进行了谷歌搜索,但没有找到与之相关的任何合适
我不知道该怎么做,我一直遇到问题。 以下是代码: rows = int(input()) for i in range(1,rows): for j in range(1,i+1):
我想为重写创建一个正则表达式。 将所有请求重写为 index.php(不需要匹配),它不是以/api 开头,或者不是以('.html',或'.js'或'.css'或'.png'结束) 我的例子还是这样
MVC模式代表 Model-View-Controller(模型-视图-控制器) 模式 MVC模式用于应用程序的分层开发 Model(模型) - 模型代表一个存取数据的对象或 JAVA PO
我想为组织模式创建一个 RDF 模式世界。您可能知道,组织模式文档基于层次结构大纲,其中标题是主要的分组实体。 * March auxiliary :PROPERTIES: :HLEVEL: 1 :E
我正在编写一个可以从文件中读取 JSON 数据的软件。该文件包含“person”——一个值为对象数组的对象。我打算使用 JSON 模式验证库来验证内容,而不是自己编写代码。符合代表以下数据的 JSON
假设我有 4 张 table 人 公司 团体 和 账单 现在bills/persons和bills/companys和bills/groups之间是多对多的关系。 我看到了 4 种可能的 sql 模式
假设您有这样的文档: doc1: id:1 text: ... references: Journal1, 2013, pag 123 references: Journal2, 2014,
我有这个架构。它检查评论,目前工作正常。 var schema = { id: '', type: 'object', additionalProperties: false, pro
这可能很简单,但有人可以解释为什么以下模式匹配不明智吗?它说其他规则,例如1, 0, _ 永远不会匹配。 let matchTest(n : int) = let ran = new Rand
我有以下选择序列作为 XML 模式的一部分。理想情况下,我想要一个序列: 来自 my:namespace 的元素必须严格解析。 来自任何其他命名空间的元素,不包括 ##targetNamespace和
我希望编写一个 json 模式来涵盖这个(简化的)示例 { "errorMessage": "", "nbRunningQueries": 0, "isError": Fals
首先,我是 f# 的新手,所以也许答案很明显,但我没有看到。所以我有一些带有 id 和值的元组。我知道我正在寻找的 id,我想从我传入的三个元组中选择正确的元组。我打算用两个 match 语句来做到这
我是一名优秀的程序员,十分优秀!