求助！！！

hsc

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！！！

hsc

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~~~

hsc

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~

reck

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。

hsc

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~

reck

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。

hsc

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~~

tangzk

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。

hsc

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~

xmubingo

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。