最近在处理项目组的一个数据集,数据量每张表在百万级,由于数据量较大在数据下载和处理方面都可以说是旷日持久,这篇记录一下相关的经验。
数据下载
拿到的数据是在远程数据库里面,原先打算直接从远程库里下载csv或txt到电脑上,但在mysql上进行这样的操作好像不是很方便速度也很慢。
目前在使用的方法是将远程数据库里面的数据导出为sql到本地,导入本地数据库后进行操作,但这一过程也很缓慢,一个百万级数据库在navicat里面可能要导个半个小时,在命令行可能会快一点但没有尝试。
MySQL中的去重
参考了这篇文章,http://ningg.top/mysql-data-cleaning/
基本思路是复制原表A结构新建一个表B,对表B添加UNIQUE约束,然后将表A中的数据逐条插入表B,约束会自动实现去重。
#复制表结构 CREATE TABLE newTable LIKE oldTable; #修改表字段,因为httpURL太大 ALTER TABLE newTable MODIFY httpURL VARCHAR(300); #为表格添加约束条件(在Mysql5中,如果约束字段过大,则报错,因此要先执行上面的修改表字段) ALTER TABLE newTable ADD UNIQUE(IP,timeStart); #为新表中添加数据(约束条件自动去重) INSERT IGNORE newTable SELECT * FROM newTable ORDER BY IP,timeStart;
测试的表数据量在三百万左右,去重后数据在二百万左右,在navicat实现时间2168.470s,命令行应该会更快。