У меня есть проект, и мне нужно улучшить его производительность. У меня есть большая база данных Mysql, созданная из огромного файла CSV (100 миллионов строк). Время вставки не является проблемой, но время ответа на запрос очень важно, и иногда запрос с двумя соединениями занимает около 20 часов ...
Чтобы уменьшить это время ответа, я попытался перенести свою базу данных на Cassandra но безуспешно: моя модель данных не соответствует концепциям Cassandra. Тогда я хотел бы попробовать другой способ повышения производительности: Параллельная виртуальная файловая система. Вместо того, чтобы вставить данные в базу данных Mysql и отправить, а затем отправить запрос, я попытался прочитать весь файл csv с многопоточностью и выполнил свои вычисления. Но результат был не очень хорош: 2 мин. 20 сек. Только для 1 000 000 строк.
На данный момент мои вычисления очень просты: в C ++ с API MPI-IO я просто подсчитываю количество различных пар значений из 2 столбцов. Для выполнения этих вычислений я использую хэш-карту, где каждый ключ представляет собой парное значение из файла csv. В конце, Вот небольшой код:
MPI::Init(argc,argv);
cout << " INFO init done" << endl;
int myrank = MPI::COMM_WORLD.Get_rank();
int numprocs = MPI::COMM_WORLD.Get_size();
get_filename(path_name, myrank);
cout << " INFO open file : " << path_name << endl;
MPI::File thefile = MPI::File::Open(MPI::COMM_WORLD, path_name.c_str(),
MPI::MODE_RDONLY,
MPI::INFO_NULL);
MPI::Offset offset = 101;
MPI::Offset limit = thefile.Get_size();
cout << " INFO go computing" << endl;
do {
thefile.Read_at(offset, buf, bufsize, MPI_CHAR, status);
temp.assign(buf);
Tokenize(temp,tokens,"\n");
line.assign(tokens.at(0));
tokens.clear();
Tokenize(line,tokens,"\t");
nidt_count(tokens);
tokens.clear();
offset += (line.size() + 1);
}while(offset < limit);
count = status.Get_count(MPI_INT);
cout << "process " << myrank << " reads " << nidt_hash.size() << " nidt" << endl;
Я работаю на сервере с 4 ядрами, 8 ГБ оперативной памяти. Мои данные находятся на NAS, установленном в NFS или Samba на моем сервере. Я мог бы добавить 2 или 3 сервера для обработки, но на данный момент я просто попробовал небольшой файл (1 миллион строк) на одном сервере для измерения производительности.
Наконец, мои вопросы:
Вот образец моих данных, состоящих из двух CSV-файлов:
Самый большой (100 миллионов строк) состоит из следующих: 0 13.05.2007 15:52:22 33671624244 33672211799 5 с 0 17 ....
второй более простой и маленький (90 000), это как словарь, где из code_1 и code_2 я получаю значение с именем CODEVAL:
CODE_1 CODE_2 CODEVAL
0 17 VS
0 34 SS
Как вы и ожидали, обычно я создаю 2 таблицы, по одной для каждого файла, и типичный запрос:
Простите за презентацию, я не знаю, как создать массив.