最近看了July的一些關于Java處理海量資料的問題研究,深有感觸,連結:http://blog.csdn.net/v_july_v/article/details/6685962
感謝July ^_^
他用的是Java的Hash Map等方法做了處理,講解的非常深刻入骨
我也一時興起,想拿Python試試刀,看看Python對于海量資料的處理能力如何。無奈在百度和Google輸入“Python 海量資料”都無果。可能是國内使用python的不多,用python處理海量資料的就更少了。不過這澆滅不了我的欲望,哈哈
打算拿July的其中一個問題來試驗一下:
July給出的解決方案:
方案1:首先是這一天,并且是通路百度的日志中的IP取出來,逐個寫入到一個大檔案中。注意到IP是32位的,最多有2^32個IP。同樣可以采用映射的方法,比如模1000,把整個大檔案映射為1000個小檔案,再找出每個小文中出現頻率最大的IP(可以采用hash_map進行頻率統計,然後再找出頻率最大的幾個)及相應的頻率。然後再在這1000個最大的IP中,找出那個頻率最大的IP,即為所求。
下手吧!
(一)生成資料
我首先構造1億個IP,這些IP前兩段都是“10.197”,後兩段為0-255的随機數
把這1億個IP存入一個文本檔案中
Python代碼如下:
__author__ = "Wally Yu ([email protected])"
__date__ = "$Date: 2012/04/09 $"
def generateRandom(rangeFrom, rangeTo):
import random
return random.randint(rangeFrom,rangeTo)
def generageMassiveIPAddr(fileLocation,numberOfLines):
IP = []
file_handler = open(fileLocation, 'a+')
for i in range(numberOfLines):
IP.append('10.197.' + str(generateRandom(0,255))+'.'+ str(generateRandom(0,255)) + '\n')
file_handler.writelines(IP)
file_handler.close()
if __name__ == '__main__':
from time import ctime
print ctime()
for i in range(10):
print ' ' + str(i) + ": " + ctime()
generageMassiveIPAddr('d:\\massiveIP.txt', 10000000)
print ctime()
這裡插一下,我的軟體硬體環境:
硬體:
- ThinkPad T420(CPU: i7, 記憶體16G)
軟體:
-OS: WinXP32位 (隻認出3.6G記憶體)
- Python:2.7
從Python的print日志中基本可以看出,生成一千萬條IP位址大概需要1分鐘,生成1億條記錄需要10分鐘
占據硬碟空間:1.4G
日志:
Mon Apr 09 16:52:28 2012
0: Mon Apr 09 16:52:28 2012
1: Mon Apr 09 16:53:28 2012
2: Mon Apr 09 16:54:29 2012
3: Mon Apr 09 16:55:30 2012
4: Mon Apr 09 16:56:32 2012
5: Mon Apr 09 16:57:33 2012
6: Mon Apr 09 16:58:36 2012
7: Mon Apr 09 16:59:36 2012
8: Mon Apr 09 17:00:36 2012
9: Mon Apr 09 17:01:35 2012
Mon Apr 09 17:02:36 2012
(二)處理思路
假設現在可用記憶體僅為128M,而每行IP經計算需要14Byte
因為資料太大,把1億條資料載入記憶體,再做排序會導緻記憶體溢出。July的思想:“以大化小,分而治之”非常合适,我轉化後的操作思路:
1. 每行IP需要14B空間,那麼128M記憶體最多可以處理 128M / 14B = 9142857個IP
把每36571429個IP拆成一個小檔案儲存起來,每個小檔案的大小小于等于128M,共将生成11個檔案
2. 對每個小檔案用Hash Table處理,Python有自己非常高效的Hash Table:Dictionary!
具體處理如下:
1). 建構名為“Result”的Dictionary,“key”為IP位址,“value”為該IP位址出現的次數,用來記錄11個檔案每一個的最多出現的IP
2). 建構名為“IP”的Dictionary,“key”為IP位址,“value”為該IP位址出現的次數,用來記錄每一個小檔案的所有IP位址
3). 讀入每一條IP位址到“IP” Dictionary,如果該IP位址出現過,把相應的value的值加1;如果該IP位址沒有出現過,則key=IP位址,value=1
4). 對“IP” Dictionary進行内排序,傳回最大的IP位址(如果有若幹個最大值是一樣的,就都傳回)
5). 将傳回值存入“Result” Dictionary
6). 對“Result”進行内排序,傳回最大的IP位址(如果有若幹個最大值是一樣的,就都傳回)
(三)實作
1)拆分成小檔案
代碼如下:
__author__ = "Wally Yu ([email protected])"
__date__ = "$Date: 2012/04/10 $"
from time import ctime
def splitFile(fileLocation, targetFoler):
file_handler = open(fileLocation, 'r')
block_size = 9142857
line = file_handler.readline()
temp = []
countFile = 1
while line:
for i in range(block_size):
if i == (block_size-1):
# write block to small files
file_writer = open(targetFoler + "\\file_"+str(countFile)+".txt", 'a+')
file_writer.writelines(temp)
file_writer.close()
temp = []
print " file " + str(countFile) + " generated at: " + str(ctime())
countFile = countFile + 1
else:
temp.append(file_handler.readline())
file_handler.close()
if __name__ == '__main__':
print "Start At: " + str(ctime())
splitFile("d:\\massiveIP.txt", "d:\\massiveData")
運作後的log如下:
Start At: Tue Apr 10 10:56:25 2012
file 1 generated at: Tue Apr 10 10:56:37 2012
file 2 generated at: Tue Apr 10 10:56:47 2012
file 3 generated at: Tue Apr 10 10:57:00 2012
file 4 generated at: Tue Apr 10 10:57:14 2012
file 5 generated at: Tue Apr 10 10:57:26 2012
file 6 generated at: Tue Apr 10 10:57:42 2012
file 7 generated at: Tue Apr 10 10:57:53 2012
file 8 generated at: Tue Apr 10 10:58:04 2012
file 9 generated at: Tue Apr 10 10:58:16 2012
file 10 generated at: Tue Apr 10 10:58:27 2012
file 11 generated at: Tue Apr 10 10:58:38 2012
可見拆分一個檔案需要費時10-15秒,拆分檔案總共耗時2分14秒
2). 找出出現次數最大的IP:
代碼如下:
__author__ = "Wally Yu ([email protected])"
__date__ = "$Date: 2012/04/10 $"
import os
from time import ctime
def findIP(targetFolder):
Result = {}
IP = {}
for root, dirs, files in os.walk(targetFolder):
for f in files:
# read small files
file_handler = open(os.path.join(targetFolder, f), 'r')
lines = file_handler.readlines()
file_handler.close()
# get IP in file, store to IP Dictionary
for line in lines:
if line in IP:
IP[line] = IP[line] + 1
else:
IP[line] = 1
# sort Dictionary
IP = sorted(IP.items(), key=lambda d: d[1])
# get max item(s), store to Result Dictionary
maxItem = IP[-1][1]
print ' File ' + str(f) + ":"
print " maxItem: " + str(IP[-1])
tempTuple = IP.pop()
while tempTuple[1] == maxItem:
if tempTuple[0] in Result:
Result[tempTuple[0]] = Result[tempTuple[0]] + 1
else:
Result[tempTuple[0]] = tempTuple[1]
tempTuple = IP.pop()
IP = {}
print ' Finished: ' + ctime()
print sorted(Result.items(), key=lambda d: d[1])
if __name__ == '__main__':
print 'Start: ' + ctime()
findIP("d:\\massiveData")
print 'End: ' + ctime()
運作後的log如下:
Start: Thu Apr 12 10:20:01 2012
File file_1.txt:
maxItem: ('10.197.223.85\n', 190)
Finished: Thu Apr 12 10:20:23 2012
File file_10.txt:
maxItem: ('10.197.44.215\n', 194)
Finished: Thu Apr 12 10:20:37 2012
File file_11.txt:
maxItem: ('10.197.251.171\n', 181)
Finished: Thu Apr 12 10:20:48 2012
File file_2.txt:
maxItem: ('10.197.181.190\n', 191)
Finished: Thu Apr 12 10:21:00 2012
File file_3.txt:
maxItem: ('10.197.135.27\n', 193)
Finished: Thu Apr 12 10:21:14 2012
File file_4.txt:
maxItem: ('10.197.208.113\n', 192)
Finished: Thu Apr 12 10:21:24 2012
File file_5.txt:
maxItem: ('10.197.120.160\n', 190)
Finished: Thu Apr 12 10:21:34 2012
File file_6.txt:
maxItem: ('10.197.69.155\n', 193)
Finished: Thu Apr 12 10:21:44 2012
File file_7.txt:
maxItem: ('10.197.88.144\n', 192)
Finished: Thu Apr 12 10:21:55 2012
File file_8.txt:
maxItem: ('10.197.103.234\n', 193)
Finished: Thu Apr 12 10:22:08 2012
File file_9.txt:
maxItem: ('10.197.117.46\n', 192)
Finished: Thu Apr 12 10:22:20 2012
[('10.197.251.171\n', 181), ('10.197.120.160\n', 190), ('10.197.223.85\n', 190), ('10.197.181.190\n', 191), ('10.197.117.46\n', 192), ('10.197.208.113\n', 192), ('10.197.88.144\n', 192), ('10.197.147.29\n', 193), ('10.197.68.183\n', 193), ('10.197.69.155\n', 193), ('10.197.103.234\n', 193), ('10.197.135.27\n', 193), ('10.197.44.215\n', 194)]
End: Thu Apr 12 10:22:21 2012
由此可見,最大的IP位址為:“10.197.44.215”,共出現194次!
而Python的計算時間為2分20秒,非常快
(四)引申測試
以上是在假設記憶體僅為128M下的計算時間,為了測試Python真正的執行效率,打算再寫一算法,将所有1.4G的資料一次性導入記憶體,并作内排序,看看它的執行效率
代碼如下:
__author__ = "Wally Yu ([email protected])"
__date__ = "$Date: 2012/04/10 $"
import os
from time import ctime
def findIPAtOnce(targetFile):
print "Started At: " + ctime()
Result = {}
file_handler = open(targetFile, 'r')
lines = file_handler.readlines()
file_handler.close()
print "File Read Finished At: " + ctime()
for line in lines:
if line in Result:
Result[line] = Result[line] + 1
else:
Result[line] = 1
print "Write to Dic Finished At: " + ctime()
Result = sorted(Result.items(), key=lambda d: d[1])
print "Sorting Finished At: " + ctime()
print 'Result:'
for i in range(10):
print ' ' + str(Result.pop())
if __name__ == '__main__':
findIPAtOnce("d:\\massiveIP.txt")
最後得到了Memory Error:
Traceback (most recent call last):
File "C:/Documents and Settings/wally-yu/Desktop/findIPAtOnce.py", line 30, in <module>
findIPAtOnce("d:\\massiveIP.txt")
File "C:/Documents and Settings/wally-yu/Desktop/findIPAtOnce.py", line 11, in findIPAtOnce
lines = file_handler.readlines()
MemoryError
哈哈哈!
為了測試Python的處理速度,重新生成一個小一點的Txt檔案,重新運作generageMassiveIPAddr函數,生成一千萬個IP位址
if __name__ == '__main__':
from time import ctime
print ctime()
for i in range(1):
print ' ' + str(i) + ": " + ctime()
generageMassiveIPAddr('d:\\massiveIP_small.txt', 10000000)
print ctime()
生成後的Txt占據144M的空間
再次運作
if __name__ == '__main__':
findIPAtOnce("d:\\massiveIP_small.txt")
得到Log如下:
Started At: Thu Apr 12 11:03:35 2012
File Read Finished At: Thu Apr 12 11:03:41 2012
Write to Dic Finished At: Thu Apr 12 11:03:44 2012
Sorting Finished At: Thu Apr 12 11:03:45 2012
Result:
('10.197.222.105\n', 215)
('10.197.68.118\n', 210)
('10.197.229.152\n', 206)
('10.197.22.46\n', 202)
('10.197.98.83\n', 201)
('10.197.53.43\n', 201)
('10.197.169.65\n', 200)
('10.197.225.22\n', 200)
('10.197.146.78\n', 200)
('10.197.57.101\n', 200)
可見時間消耗如下:
檔案資料讀取:6秒
寫入Dictionary:3秒
排序:1秒
總共耗時不過10秒,而且大多時間都是I/O的開銷!!!
(五)小節
由以上種種可見Python對于海量資料處理的高效率,也為Python的同行處理海量資料提供了一些思路
有興趣的朋友可以拿其他語言做同樣的測試,共同進步
(六)修改
注:
1. 以上完成于2012年4月10日,本節及以下完成于2012年4月18日
2. 六、七節的增加是由于lidguan兄發現的一個大漏洞而做的修改,非常感謝!具體評論見下:
- 4樓 lidguan昨天 16:23發表[回複] [引用][舉報][删除]
-
我有個問題,請不吝賜教:
将一個大檔案分割成許多的小檔案,但樓主分割方式好像是根據檔案大小來分割,然後分别排序,得出一系列的最大值,最後在最大值中比較,得出一個最後結果....
但每個ip可能在不同檔案中都有記錄,也許這個倒黴的ip是第一個檔案的第二名,在第二個檔案也是第二名,你用最大值進行比較,就會把這個倒黴的ip忽略掉,但其實這個ip才是真正的最大值..
我不懂python,當僞代碼看的....如有不對的地方,請多多原諒
我确實也是考慮不周,才導緻了以上算法的巨大漏洞,今天做如下修改:
思路:
1. 不對大檔案進行拆分,否則會産生lidguan兄提到的問題
2. 假設這個一億個IP位址的重複率比較高,重複後的IP可以一次性記錄入Python Dictionary (Java Hash Map),那麼就直接從大檔案中一條一條讀取IP位址,記錄入Dictionary
3. 對Dictionary進行排序并輸出
代碼:
__author__ = "Wally Yu ([email protected])"
__date__ = "$Date: 2012/04/18 $"
import os
from time import ctime
def findIPAtOnce(targetFile):
print "Started At: " + ctime()
Result = {}
file_handler = open(targetFile, 'r')
for line in file_handler:
if line in Result:
Result[line] = Result[line] + 1
else:
Result[line] = 1
print "Write to Dic Finished At: " + ctime()
file_handler.close()
Result = sorted(Result.items(), key=lambda d: d[1])
print "Sorting Finished At: " + ctime()
print 'Result:'
for i in range(10):
print ' ' + str(Result.pop())
if __name__ == '__main__':
findIPAtOnce("d:\\massiveIP.txt")
Log:
>>>
Started At: Wed Apr 18 13:20:34 2012
Write to Dic Finished At: Wed Apr 18 13:21:34 2012
Sorting Finished At: Wed Apr 18 13:21:34 2012
Result:
('10.197.200.159\n', 1713)
('10.197.143.163\n', 1707)
('10.197.68.193\n', 1693)
('10.197.136.119\n', 1692)
('10.197.71.24\n', 1692)
('10.197.132.242\n', 1690)
('10.197.4.219\n', 1688)
('10.197.113.84\n', 1684)
('10.197.204.142\n', 1681)
('10.197.78.110\n', 1675)
由此可見,出現最多的IP為“10.197.200.159”,出現次數1713次!
執行時間:
- 讀取檔案并寫入Dictionary:60秒
- 内排序:小于1秒!!!
經過這次的修改,運算結果相信是可靠的
(七)總結
1. 修改後的代碼是在假設IP位址的重複性比較高,可以一次性導入記憶體中操作的前提下展開的;如果重複性低,或者更大量的資料,導緻無法一次導入記憶體的話,就需要使用外排序來找出IP位址了
2. 希望大家多多探讨,也幸虧lidguan兄的指出,否則險些釀成大錯
3. 最近在讨論的純粹的QA是否有必要存在,我也來多嘴幾句,我相信這些代碼如果是經過了QA的測試後多多少少會降低風險,尤其是此類明顯的邏輯性的錯誤是肯定可以避免的,是以QA人員的重要性不言而喻。說要消滅QA,鄙人覺得是軟體工程思維的一種倒退
版權所有。轉載本BLOG内任何文章,請以超連結形式注明出處。