新开一帖:求技术大佬帮忙开发个新项目,每天两组 1.5 亿行数据的对比提取,感谢辛苦的程序员。
fourstone · 2021-06-15 18:15:05 +08:00 · 868 次点击这是一个创建于 1071 天前的主题，其中的信息可能已经有所发展或是发生改变。
新开一帖:原帖不知道怎么删除，囧了
现在的环境 windows2008 r2 +mongodb4.0 +node.js+JAVA
因为服务器上已经有好几个项目，最好不要影响其他正常的运行的项目。或者我专门再租一个服务器跑这个。
软件要求：
每天定时自动下载并且解压（我提供帐号密码去下载），解压后大概每天有 1.5 亿行数据，每天新增 10 万行左右，3 分钟内提取新增行，反正越快越好。 提取新增行后，自动按关键字（关键字数量 2-100 个左右，我每天手动修改）提取，链接我现在的 API 完成。
源文件解压后是 纯文本，4 列，我只需要提取 1 列里面的新增数据
下载大小不变的，源数据有增有减，每天下载时间固定的。
其他所有步骤我现在的项目已经有完整能使用的了，无非所有难点就在如何最快的 获得 两组 1.5 亿行数据的对比提取新增行
（我不懂能不能实现，因为下载要 7 分钟，我想所有操作 10-15 分钟内完成，反正越快越好，最好不要升级服务器就能实现，因为升级太麻烦了）
请有时间的 大神 联系我 qq，感谢 49 六一 47 九五三
至于价格，我不太懂这个市场价，以前找 v2 大神开发的都是他们自己报价，所以能完成自己报个价好了，市场价就好，以后项目一定还有的。
第 1 条附言 · 2021-06-16 12:58:15 +08:00
ps.有好几个大佬加我纯粹好奇，想看看这么大数据究竟怎么弄，想知道这么大数据能不能练练手。
真是好事啊，这样技术才能不断进步。
别害羞，问我拿就给。
我下午好好把连续两天的完整数据传到网盘。
每个压缩包 4g 左右，里面有 3 亿多行，去掉重复 1.5 亿行左右
真是好事啊，这样技术才能不断进步。
别害羞，问我拿就给。
我下午好好把连续两天的完整数据传到网盘。
每个压缩包 4g 左右，里面有 3 亿多行，去掉重复 1.5 亿行左右
第 2 条附言 · 2021-06-16 22:59:27 +08:00
最新需求；
1.每天定时下载(压缩包 4g 左右，每天大小差不多固定，里面 3.6 亿行，去掉重复 1.5 亿行)2.解压 3.两天的数据对比 4.提取保存
目前服务器配置 2u+16g+100G ssd,因为项目再运行的有点多了，我在考虑为了这个项目升级一下服务器
这些不需要了：提取新增行后，自动按关键字（关键字数量 2-100 个左右，我每天手动修改）提取，链接我现在的 API 完成。
1.每天定时下载(压缩包 4g 左右，每天大小差不多固定，里面 3.6 亿行，去掉重复 1.5 亿行)2.解压 3.两天的数据对比 4.提取保存
目前服务器配置 2u+16g+100G ssd,因为项目再运行的有点多了，我在考虑为了这个项目升级一下服务器
这些不需要了：提取新增行后，自动按关键字（关键字数量 2-100 个左右，我每天手动修改）提取，链接我现在的 API 完成。
第 3 条附言 · 2021-06-17 09:08:09 +08:00
1.每天定时下载(压缩包 4g 左右，每天大小差不多固定，里面 4 亿行，去掉重复 1.5 亿行)2.解压 3.两天的数据对比 4.提取保存 5.自动删除前一天的数据，保留今天的数据，为明天的数据对比做准备
第 4 条附言 · 2021-06-29 10:07:44 +08:00
早就结贴了，请勿加了
 |
1
la2la 2021-06-15 19:08:57 +08:00
自己想到的一个方案，你可以尝试一下。
假设：两个文件昨天的 2021-06-14.txt, 今天下载的 2021-06-15.txt, 提取的新增列名 c1 。提前将 2021-06-14.txt 这个文件的 c1 列布隆过滤器中，在 2021-06-15.txt 下载完的一刻将文件切分成 N 个（ N 取决于你的服务器的配置），然后并行跑布隆过滤器，就能很快筛选出新增列，筛选后的类通过编译好的正则提取关键字。 感觉这个方案应该可行，1.5 亿数据不是很多 |
|
2
la2la 2021-06-15 19:20:02 +08:00
这个方案有个 BUG，切分的时候有可能把一行数据切分成两行，就不切分了，直接跑，估计不会很慢或者切分的时候需要按照换行符切割，在或者下载的时候就并行下载成多个文件
|
 |
4
whahuzhihao 2021-06-15 19:58:16 +08:00
有可能出现重复的行吗？如果昨天 a 出现了 3 次，今天出现了 4 次，那么 a 就是新增的？ 这样没法布隆
|
 |
5
fourstone OP @whahuzhihao 正常来说是没有重复行的，有重复行也只要一条就好了
|
 |
6
joynvda 2021-06-15 20:56:11 +08:00
不是有人接了吗？
|
 |
8
ku9527 2021-06-16 01:05:34 +08:00
文件解压缩后 20.5g, 我用我电脑试了下， 光把这文件读到内存，花了 109 秒，平均速度 183M/s, SATA2 机械硬盘，两个文件都读一下的话，估计得 200 秒多了，已经超过你理想的 3 分钟了，这还没开始比较呢， 你服务器用的很快的硬盘吗?速度多少
|
 |
9
ymmud 2021-06-16 12:36:53 +08:00
做成开放题目，有奖挑战吧，名义上好听多啦
|
|
11
joynvda 2021-06-16 20:59:47 +08:00
如果数据不敏感（或者能脱敏），试试也挺好玩的。
|
|
14
fourstone OP @joynvda py3 是什么我不知道啊。
目前 1.每天定时下载(压缩包 4g 左右，每天大小差不多固定，里面 3.6 亿行，去掉重复 1.5 亿行)2.解压 3.对比 4.提取保存 目前服务器配置 2u+16g+100G ssd,因为项目再运行的有点多了，我在考虑为了这个项目升级一下服务器 |
 |
17
lspie0517 2021-06-22 16:09:13 +08:00
这个数据如果不压缩原始存放在哪？数据库？
|
 |
18
forgottencoast 2021-06-29 10:00:19 +08:00
数据在哪里下载呢？
|
|
19
fourstone OP |
Select Language