求个大文本乱序的工具

kl116201547 · 发表于 2016-2-26 15:36:20

完全听不懂你们在说什么呢，呵呵

bluescharp · 发表于 2016-2-26 16:42:42

fei 发表于 2016-2-26 12:092 W/ Y w, Q! Q5 _
shuf test.txt > output.txt

这个屌爆了。我刚还准备用C#自己弄一个...

quanchengxue · 发表于 2016-3-28 09:11:20

你一篇文章需要多少行数据？我的情况是每篇100行，一共200M的txt，分割成了200个txt文件，文件名1.txt到200.txt，php随机读取10个txt，每个txt随机取20行。1G的VPS上跑4个站完全没压力。

bluescharp · 发表于 2016-3-28 15:29:44

quanchengxue 发表于 2016-3-28 09:11! _- M6 [2 M; Q, e) Z
你一篇文章需要多少行数据？我的情况是每篇100行，一共200M的txt，分割成了200个txt文件，文件名1.txt到200 ...

随机文章写入数据库吗？不然每次访问结果都不一样？
一共生产多少文章？我之前试过，不过不是直接句子的方式，也大概200M左右的语料库，效果不太好，没什么IP。

quanchengxue · 发表于 2016-3-28 15:54:36

bluescharp 发表于 2016-3-28 15:293 H% q4 D: r' B, Z5 L( e
随机文章写入数据库吗？不然每次访问结果都不一样？
# O8 \3 J0 h' I6 M! [$ v$ n一共生产多少文章？我之前试过，不过不是直接句子的 ...

不写数据库，直接生成缓存，或者直接生成HTML文件，缓存目录用两层，第一层用MD5的12位，第二层用34位，缓存文件名用md5命名。你用1层目录的话大概能放25W个页面，两层的话大概是6500W。而且看你站的生存周期，估计从收录到被K，两层目录应该绝对够用了。

bluescharp · 发表于 2016-3-28 19:43:17

quanchengxue 发表于 2016-3-28 15:54
7 z" X) Z L6 I2 b! J. L/ {不写数据库，直接生成缓存，或者直接生成HTML文件，缓存目录用两层，第一层用MD5的12位，第二层用34位， ...

我之前也是用文件缓存。一方面是小文件太多，I/O效率低。另外一方面，删除起来不是一般的麻烦。
而且文件缓存占用空间比数据库要大。曾经尝试用redis，效果不好。
你一般生产多少页面？

quanchengxue · 发表于 2016-3-28 22:20:25

bluescharp 发表于 2016-3-28 19:43
! F" q7 `) L3 i. a G4 j我之前也是用文件缓存。一方面是小文件太多，I/O效率低。另外一方面，删除起来不是一般的麻烦。3 ^! A) x7 S+ M* N
而且文件 ...

我的数据没你的那么多，最多的时候生成了200多W缓存，我自己的情况倒是没发现I/O效率低的情况，google爬最快的时候也就3秒1个页面，一个VPS上就放4个站，硬盘30G的也足够用了，毕竟数据量不算大。
你那个数据量大了不少，但是看你说服务器内存16G，其他配置应该也不会差，你可以试试这种方法。

gaozi · 发表于 2016-4-5 15:40:35

quanchengxue 发表于 2016-3-28 22:20
( v" B0 V& M7 z+ a P" a# ^我的数据没你的那么多，最多的时候生成了200多W缓存，我自己的情况倒是没发现I/O效率低的情况，google爬 ...

像你们这样的大数据盈利靠什么？亚马逊还是gg ads？还是其他？

Rekkles · 发表于 2017-10-26 10:01:26

你媽个垃圾

		自动登录	找回密码
密码			立即注册