程序员应知 -- 如何分析海量数据

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

image

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;

 

MicroTeam Hui