如何分析 ~13GB 的数据?
我有大约300个文本文件,其中包含有关跟踪器,种子和对等体的数据。每个文件的组织方式如下:
跟踪器.txt
time torrent
time peer
time peer
...
time torrent
...
我每个跟踪器都有几个文件,并且大部分信息都是重复的(相同的信息,不同的时间)。
我希望能够分析我所拥有的内容并报告有关以下内容的统计信息
- 每个跟踪器有多少种子
- 有多少跟踪器是种子列在
- 种子有多少个同行
- 对等节点有多少种子
庞大的数据量使我很难做到这一点。这是我尝试过的。
我的SQL
我把所有东西都放进了一个数据库;每个实体类型和一个表来保存关系的表(例如,此种子在此跟踪器上)。
将信息添加到数据库很慢(当我尝试这样做时,我没有13GB的信息),但是事后分析关系是不行的。每个稍微复杂的查询需要 24 小时以上才能完成(如果有的话)。
示例查询如下:
SELECT COUNT(DISTINCT torrent)
FROM TorrentAtPeer, Peer
WHERE TorrentAtPeer.peer = Peer.id
GROUP BY Peer.ip;
我尝试增加文件中的内存分配,但似乎没有帮助。我使用了设置文件。my.cnf
my-innodb-heavy-4G.cnf
编辑:添加表详细信息
以下是我使用的内容:
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。我对自己只能使用与现有实体相对应的ID的能力充满信心,添加外键检查似乎是不必要的延迟。这是天真的吗?
Matlab
这似乎是一个为繁重的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,所以我使用细胞阵列,我从这些移动到尝试以减少占用空间。我无法让它工作。
爪哇岛
我迄今为止最成功的尝试。我发现了Limewire的人提供的Patricia Tries的实现。使用此功能,我能够读取数据并计算我有多少个唯一实体:
- 13 个跟踪器
- 170万种子
- 3200万同行
我仍然发现很难计算出对等节点的洪流数量的频率。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);
}
}
从我到目前为止所能做的,如果我能构建这个trie,那么我就可以很容易地找出每个对等节点上有多少个种子。我昨天运行了所有内容,当我回来时,我注意到日志文件没有被写入,我该应用程序并报告了以下内容:peers
^Z
time
real 565m41.479s
user 0m0.001s
sys 0m0.019s
这对我来说看起来不对,用户和系统应该这么低吗?我应该提到,我还将JVM的堆大小增加到7GB(最大值和启动),没有这一点,我很快就会得到内存不足的错误。
我不介意等待几个小时/几天,但看起来这个东西在大约10个小时后就停止了。
我想我的问题是,我该如何分析这些数据?我尝试过的东西是正确的吗?我错过了什么吗?Java解决方案似乎是迄今为止最好的,我能做些什么来让它工作吗?