程序员应知 -- 如何分析海量数据

转载[url]http://www.cnblogs.com/MicroTeam/archive/2010/12/03/1895071.html[/url]
[color=blue]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100MB的文件试试
A：LTF viewer
Large Text File viewer, 打开速度会让你惊奇

Q：怎么打开二进制文件

A：Hex Editor Neo
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。如果某个地主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，很少人会坐在显示器旁监视输出结果。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VS2010中，项目属性 => Configuration Manager => Platform => New => X64
[img][/img]
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。

就写到这了，很晚了。。。
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，果断拍砖[/color]