V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
agentwx
V2EX  ›  问与答

大量数据比较的问题

  •  
  •   agentwx · 2014-11-28 10:48:01 +08:00 · 2106 次点击
    这是一个创建于 3680 天前的主题,其中的信息可能已经有所发展或是发生改变。
    有很多的日志文件,来自各个不同的组件。我先按照组件的不同,将对应的日志解析存放到sqlite数据库中,由于组件和组件之间,有一些数据是进行对比的,比如组件A中处理的数据(有一个唯一标识,并且每条记录都是不一样)在组件B中是不是存在(一个B会有多个A与之关联,也是根据这个唯一标识来判断)
    需要处理的:由于一天两天,日志文件会很多,导致sqlite中的记录很多(差不多千万条记录),如何从这千万条记录中判断是否有丢记录。
    目前的做法:比如上游组件A和下游组件B,将上游组件中日志的相关记录放到一个setA(python中的set),把下游组件中相关记录放到另外一个setB,用setB-setA.
    问题:记录多的情况下,或导致memory error

    请教各位大大有什么好的方法
    1 条回复    2014-11-28 10:56:25 +08:00
    liprais
        1
    liprais  
       2014-11-28 10:56:25 +08:00
    把数据放在mysql或者postgresSQl里面,用join去比较
    建好索引分区这种比较很快的
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   5686 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 24ms · UTC 06:27 · PVG 14:27 · LAX 22:27 · JFK 01:27
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.