机器学习和生物信息学实验室联盟

标题: 求助！！！ [打印本页]

作者: hsc 时间: 2012-10-5 12:10
标题: 求助！！！
有谁对于处理IO方面有很深的了解？

我这里有一个数据结构，想要存储到硬盘上，要求还能保证数据结构的完整性，load进内存的时候可以直接用，但是怎么能把他最快的写入到文件中呢？当然该数据结构很大，最大的时候会有2^32-1的长度

另外还有一个文件中一个字符串有120万行，每行大概30个字符左右，我怎么把他快速load进内存，以便进一步处理

谁比较了解这方面的东西，深刻求教！！！

作者: xmubingo 时间: 2012-10-5 12:22
第一个问题，序列化写呢？

第二个问题，你之前不是做过IO测试么？读进花了多少时间？你可以把数据集和花的时间贴一下，其它人试试看还有没有更好的办法。

作者: chenwq 时间: 2012-10-5 12:24
显然，我没有对处理I/O有很深入了解。
看描述，和StringIO的应用场景类似，此外，不妨也采用效率最好的bz2模块试试。

作者: hsc 时间: 2012-10-5 12:28

xmubingo 发表于 2012-10-5 12:22
第一个问题，序列化写呢？

第二个问题，你之前不是做过IO测试么？读进花了多少时间？你可以把数据集和花 ...

我设计一个索引结构，我测试了一下，索引和搜索花费的时间有90%都是在写入和读取索引上了，所以想知道怎么能快速的存储一个数据结构，还能保证他的完整性。

第二个问题，虽然之前测试过，但那个针对于没有目的的文件读取，这里已经是特定的序列串了，读取时候速度超慢！

作者: xmubingo 时间: 2012-10-5 12:29
Java Large Files Disk IO Performance
http://stackoverflow.com/questio ... disk-io-performance

作者: hsc 时间: 2012-10-5 12:29

chenwq 发表于 2012-10-5 12:24
显然，我没有对处理I/O有很深入了解。
看描述，和StringIO的应用场景类似，此外，不妨也采用效率最好的bz2 ...

现在就是无法把一个完整的大数据结构快速的保存和读取，如果这两个方面解决了，那搜索起来就是唰唰的~

作者: hsc 时间: 2012-10-5 12:35

xmubingo 发表于 2012-10-5 12:29
Java Large Files Disk IO Performance
http://stackoverflow.com/questions/964332/java-large-files-dis ...

他这些都貌似只是把内容写入硬盘就OK了，我还想保存完整的数据结构，这样搜索的时候，就是直接映射读取，现在我就知道一个writeObject，但是还是很慢~

作者: xmubingo 时间: 2012-10-5 12:36

hsc 发表于 2012-10-5 12:28
我设计一个索引结构，我测试了一下，索引和搜索花费的时间有90%都是在写入和读取索引上了，所以想知道怎么 ...

你的索引和搜索是怎么建立?为啥需要从硬盘上读写索引？

--

你试试加大BufferedReader的buffer大小。
不行的话就多线程试试，看我发的那个连接

作者: xmubingo 时间: 2012-10-5 12:37

hsc 发表于 2012-10-5 12:35
他这些都貌似只是把内容写入硬盘就OK了，我还想保存完整的数据结构，这样搜索的时候，就是直接映射读取， ...

那个链接可以用来读取你的120w行的数据

作者: hsc 时间: 2012-10-5 12:40

xmubingo 发表于 2012-10-5 12:36
你的索引和搜索是怎么建立?为啥需要从硬盘上读写索引？

--

现在当然不需要，但是如果对于稍微大一点的文件来说，比如说1G的序列，那我拆分成子串也许就是10G，这样的话，内存是放不下的，所以必须得在硬盘上备份，这样的话，一次建索引，以后都能搜索了。

我设计的索引结构暂时分三块，第一个是原有序列的索引，第二个是子串序列的索引，第三个是子串序列索引的索引，现在第一个和第三个还好，关键是第二个就很大，我把子串进行编码，编码值就是他的位置，类似于hash表，这样的话，他的长度是巨大的，那么把这个完整的结构存储到硬盘上，我读取时候，直接地址映射搜索，很快就能完成，所以现在就是写入和读取的问题了~

作者: xmubingo 时间: 2012-10-5 12:45
你的意思是，你有个10G大小的索引在硬盘，然后你想把它读进内存，然后搜索？可是10G的东西你怎么读进内存？

作者: hsc 时间: 2012-10-5 12:46

xmubingo 发表于 2012-10-5 12:37
那个链接可以用来读取你的120w行的数据

嗯，这个我下午试验一下，不过我正在想是不是边读取边编码，同步操作，这样的话，使用readBuffer可能会有点麻烦~

作者: hsc 时间: 2012-10-5 12:48
本帖最后由 hsc 于 2012-10-5 12:49 编辑

xmubingo 发表于 2012-10-5 12:45
你的意思是，你有个10G大小的索引在硬盘，然后你想把它读进内存，然后搜索？可是10G的东西你怎么读进内存？

我在写入的时候，动了点手脚，把索引分块进行索引，比如说前100万个地址的存储到第一个文件，然后依次，这样搜索的时候，需要哪个文件，我就读取那个文件，这样能保证内存和时间，我已经测试过了，现在关键就是怎么把他们合理完整的保证在硬盘？

作者: xmubingo 时间: 2012-10-5 12:58

hsc 发表于 2012-10-5 12:48
我在写入的时候，动了点手脚，把索引分块进行索引，比如说前100万个地址的存储到第一个文件，然后依次， ...

我明白你的意思了。
你现在用hashmap保存<地址，子串>，然后因为这个太大了，比如说有10G，你拆成了100份来存，每个100M。
你是咋么将hashmap分成10块的啊？如果是write object(hashmap hm)的话。

你找个内存大点的机器直接让它常驻内存了。server-slave进程，server作为后台进程，给予查询回复。
如果索引是不变的，你就用数据库来存，存入的时候会慢点，但是查询肯定会快。
再不然你就搞成hadoop吧。

作者: hsc 时间: 2012-10-5 14:04

xmubingo 发表于 2012-10-5 12:58
我明白你的意思了。
你现在用hashmap保存，然后因为这个太大了，比如说有10G，你拆成了100份来存，每个1 ...

我是前多少个存储到第一个文件，然后就这样分的，我现在还没想用其他的技术，就是想能不能简单的开始，简单的解决~

作者: tangzk 时间: 2012-10-5 16:40
本帖最后由 tangzk 于 2012-10-5 17:23 编辑

IO问题历来都是瓶颈的，不过有些可以处理下。
1、压缩数据结构表达，能用bit/byte的话不要用integer了，精简再精简。实在不行就划分数据结构，开多个线程写入至多个文件；
2、如果现成的文件读入就没办法做压缩处理了，那么同样还是开多个线程吧，每个线程负责其中一块。
思维基本上还是集中并行化处理这部分。使用异步IO可以尝试下，具体没有试过，有可能可以超越并行线程的方式，参考类似Unix系统中的select模式。

作者: hsc 时间: 2012-10-5 21:21

tangzk 发表于 2012-10-5 16:40
IO问题历来都是瓶颈的，不过有些可以处理下。
1、压缩数据结构表达，能用bit/byte的话不要用integer了，精 ...

多线程我还没有尝试，如果简单的处理没有效果，再去尝试一下~~

作者: reck 时间: 2012-10-17 17:07
即便你要做搜索,实际情况其实很简单.
所有的文档分词后,合并一下产生的不重复的term与 document id组成 key-value放入内存，最多也就几十MB。
另外 document id所对应的每个document 在磁盘的存储 [起始，结束，文件名]作为key-value放入内存。
搜索的时候通过语法解析找到 term所对应的 document id。
然后通过document id去磁盘快速定位document ，这样不是都挺快么。

作者: hsc 时间: 2012-10-18 09:37

reck 发表于 2012-10-17 17:07
即便你要做搜索,实际情况其实很简单.
所有的文档分词后,合并一下产生的不重复的term与 document id组成 ke ...

理论上是这样的，但是实际做起来，并不是想象中的那么顺利，而且这还是特定的字符串，不是全文索引，再加上使用Java做的，这就比较蛋疼了~

作者: reck 时间: 2012-10-18 14:31

hsc 发表于 2012-10-18 09:37
理论上是这样的，但是实际做起来，并不是想象中的那么顺利，而且这还是特定的字符串，不是全文索引，再加 ...

再复杂再大的数据，也能够抽象成最简单的映射，关键在于你怎么想了。
否则像lucene能支持TB级别数据量，而主要索引却加载在内存中，也是JAVA写的。

作者: hsc 时间: 2012-10-18 23:40

reck 发表于 2012-10-18 14:31
再复杂再大的数据，也能够抽象成最简单的映射，关键在于你怎么想了。
否则像lucene能支持TB级别数据量， ...

这个我自然是知道，关键是对于这样的问题描述，我暂时想不起来一个好的解决方案，http://www.iteye.com/problems/89269 这是我曾经写过的一个问题描述，你看有没有比较好的解决办法或者比较合适的数据结构，如果能用luence做是最好的，但是利用luence我是想不出一个比较好的操作方法~

作者: hsc 时间: 2012-10-18 23:42

reck 发表于 2012-10-18 14:31
再复杂再大的数据，也能够抽象成最简单的映射，关键在于你怎么想了。
否则像lucene能支持TB级别数据量， ...

我自己设计的结构以及IO处理现在遇到的问题是IO慢，以及如果Hash结构中冲突次数太多的话，也就是一个串重复率特别高的话，就会很慢~~~

欢迎光临机器学习和生物信息学实验室联盟 (http://123.57.240.48/)