java - 我如何分析约 13GB 的数据？

Question

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？

Answer 1

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。