程序员应知 -- 如何分析海量数据
http://www.cnblogs.com/MicroTeam/archive/2010/12/03/1895071.html
在这个云计算热炒的时代,如果你没有处理过海量数据的话,你将不再是个合格的Coder。现在赶紧补补吧~
前一阵子分析了一个将近1TB的数据群(gz文件,压缩率10%)。因为第一次分析如此巨大的数据,没有经验,所以浪费了许多时间。下面是我整理的一些经验,方便后者。
欢迎各种补充,我会不断更新这篇文章;觉得有用的话,速度分享链接;有不同意见的话,请果断拍砖;
下载数据
Q:怎么自动下载多个文件?
这是我遇到的第一个问题。当数据量很大时,一般都会分成很多个文件存放。这时下载文件比较麻烦。
A:用Wget命令。Windows下花费一点时间去下载安装。但之于手动下载,能省不少时间。
我提供两种方式方式下载文件,
a)用Wget的递归下载选项 “-r”。一般命令如下
wget –r http://<下载数据的根目录>/ -o <下载记录文件名> -np
因为递归下载没法控制进度,所以建议不一要次递归下载太多的文件
b)用Bat+Wget,多次执行Wget。一般命令如下
wget –r http://<下载数据的根目录分支1>/ -o <下载记录文件名> -np
wget –r http://<下载数据的根目录分支2>/ -o <下载记录文件名> -np
wget –r http://<下载数据的根目录分支3>/ -o <下载记录文件名> -np
…… ……
wget –r http://<下载数据的根目录分支N>/ -o <下载记录文件名> -np
用Bat可以降低出错带来的影响。
另外,Wget可以通过 –A 选项来指定希望下载的文件的后辍,通过 –P 选项来指定下载文件存放路径。更多命令,参见wget -h
Q:这速度。。。什么时候才能下完?
网速永远是个瓶颈
A:如果下载服务很远的话,你应该考虑代理。wget设置代理的方式如下
set http_proxy=http://<代理服务器>
不要忘了多开几个进程,20个试试?
打开文件
Q:怎么打开文本文件
这不是弱智问题。你用记事本打开一个1000MB的文件试试
Large Text File viewer, 打开速度会让你惊奇
Q:怎么打开二进制文件
你可以通过下面方式来选择进制:
右击数据区 => Display As => Hex|Decimal|Octal|Binary|Float|Double
你可以通过下面方式来选择按多少字节显示:
右击数据区 => Group By => Bytes|Words|Double|Quad
编程语言
当数据量很大时,选择语言要慎重了。因为不同语言有不同的特点,你要在编程时间和运行时间之间权衡。
模型测试
开始时,一般挑几个小的数据进行测试,获取第一份分析结果。这时当然希望能快速编程实现。脚本语言是一个很好的选择,比如Python。
大量处理
开始遍历处理所有数据时,用脚本语言来处理就不太合适了。因为脚本语言的运行时间不能让人接受。另外,还有内存使用,文件读写这些你都没法控制。不幸的是,很少语言会为你处理海量文件做优化。
这时,C/C++是最好的选择。
结果展示
漫长的等待终于过去了,眼看就要出结果了。如果你还执着于陪伴你度过漫长等待的C/C++的话,你迟早会沮丧的。
我尝试了很多方式之后,得出的结论是,让Matlab来接手C/C++。Matlab能轻而易举地展示大量数据。更重要的是Matlab支持读取二进制文件。
filename = 'out.bin'; % binary file
fid = fopen( filename );
data = fread( fid, itemsNumber, '*uint32');
fclose(fid);
算法
一次性读文件
我已经测试过好几次了,一次性读取文件比一行一行读文件至少快五倍
记住O(N)
这时你要好好考虑算法的复杂度了。任何O(N2)的算法都不可取。
必要的时候可以通过空间来换时间。通常哈希表能节省不少时间。
并行处理
温习一下并行算法。这比等待单线程程序好很多。
可以考虑在GPU上跑程序。当然,内存和文件读取时间更可能是瓶颈。
内存、CPU、磁盘读取速度,谁是瓶颈,任务管理器知道。
优化核心代码
通常80%的时间在运行20%的代码。所以有空的话优化下经常经常执行的代码。
分布式保存
把分析结果存在一个文件中是一个很糟糕的决定。这会为后面处理带来很多麻烦。比如并行处理,文件过大等。
二进制方式保存中间数据
二进制方式存放通常能省一半的磁盘空间。这同时意味着减少一半的写硬盘时间和读硬盘时间。当然,还有文本转换时间。
还有个重要细节要注意:在Windows中,读写文件的方式要改成”rb”和”wb”。要不然莫名的Bug迟早要发生,但不一定能找到。
运行
Debug Vs Release
别忘了,最终运行时把编译方式换成Release。但是刚改完程序的话,建议先用Debug模式试跑一下。这样能定位运行时异常。
批处理
批处理是降低运行出错风险的很好的方式。因为你不确定程序能正常结束。所以一段一段执行程序是一个很好的选择。如果某个地方出问题的话就不用重新运行前面的程序了。
断言
当数据量很大时,很难保证输入是合法的。另一种情况是,数据是合法的,但我们欠考虑了。这时断言就显得很重要了。断言回增加运行时间,但总比花大量时间得到一个错误结果好。
记录运行结果到文件
前面提到,数据量很大时,很难保证程序正常结束。一般,很少人会在显示器旁坐等输出结果。把运行情况定时记录到文件是非常必要的。
另外,不要忘了fclose();
附:64位编程问题
数据量很大时,内存通常是不够用的。有一个常识必须知道:32位程序的最大寻址空间是2GB。如果你要分配接近或者超过2G内存的话,试试64位程序吧。当然有两条件:64位的CPU,64位的操作系统。
下面是编写64位程序的一些经验
编译环境
如果是解释型语言,比如Python,则需要下载一个64位的Python解释器
如果是编译型语言,比如C/C++,则需要选择恰当的编译平台。
比如VS2008中,项目属性 => Configuration Manager => Platform => New => X64
内存
分配大数组,应该用malloc,而不是直接定义数组。
sizeof( int ) != sizeof( size_t )
64位程序中,数组下标应该换成size_t,常数也需要强制转换,比如 4GB = 4*(size_t)1000000000000文件
fwrite一次性写入一个大于4GB的数组似乎有些问题。
分多次写入文件试试。