求个大文本乱序的工具

kl116201547

完全听不懂你们在说什么呢，呵呵

bluescharp

fei 发表于 2016-2-26 12:09
  A6 u2 j& Y( `. x3 \3 {4 `; [9 Ishuf test.txt  > output.txt

' ^' d6 W4 L" U- y3 H这个屌爆了。我刚还准备用C#自己弄一个...

quanchengxue

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

quanchengxue 发表于 2016-3-28 09:11
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？
) W0 B2 D9 G6 t/ w2 d+ J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

bluescharp 发表于 2016-3-28 15:29
6 q. \# i% @+ _2 B2 x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 ...

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

quanchengxue 发表于 2016-3-28 15:54
& O+ P* t% R. ~$ V" x+ d8 S: u3 i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。
% t/ f2 w6 n. E% z$ F7 P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。
1 `* @( @  E  i4 Y& ]你一般生产多少页面？

quanchengxue

bluescharp 发表于 2016-3-28 19:43
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 ...

( }+ ?. x" r; l4 V7 ^4 I5 R( j  h8 t. y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

quanchengxue 发表于 2016-3-28 22:20
% W1 J+ ^7 P2 y+ l) w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

你媽个垃圾