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?
最佳答案
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。
关于java - 我如何分析约 13GB 的数据?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11449965/