海量数据处理之一

项目组里因为需要，现要开发一个数据过滤软件，针对文本文件 (txt 文件 ) ，文本文件里的数据是 11 位的手机号码，数据约有四千万行，进行数据过滤 ( 重复号码过滤，位数非 11 位的进行过滤 ) 尽量脱离数据库。而且要提速，太慢了客户不满意的。

 

   显然在内存里过滤数据是最快的，可是显然对于 2G 内存的本来说，可分配给 JAVA HAEP 的大小是容不下这么多数据的。那怎么办呢？

 

索引机制：

   首先的想到的是通过 Lucene 索引机制，循环判断目标文件里是否已经存在要写入的号码，若不存在，则写入文件。

             

思路很清晰，但效率不高，主要是索引的速度不高，三十万的数据约要十几分钟，这太慢了。四千万的数据两个小时也跑不出来。

 

 

分割文件：

4000 万的数据文件约 500M ，一个文件太大，那可以把它分割成小文件，这里我采用的是安手机号的号段进行分割，比如把以 135 开头的手机号码读入一个文件，把 136 的开头的读入另一个文件 … 这样实际情况下是行的通的，可是如果理想的情况下是不通的，因为如果文本文件里手机号码 90% 都是 135*** 那分割后的文件 135 的还是太大了，不过可以实行循环分割，把第一次分割后的文件再次分割（取四位号码分割），如果文件还大，循环分割 …

 

    经测试：

 

Java代码

1. * 371M 的文件（3000万的数据）  过滤数据耗时: 99844毫秒   
2. * 520M 的文件（4200万的数据）  过滤数据耗时: 369359毫秒  

 * 371M 的文件（3000万的数据）  过滤数据耗时: 99844毫秒 * 520M 的文件（4200万的数据）  过滤数据耗时: 369359毫秒

 

  6 分钟可以搞定 4000 万的数据，从这个耗时看，效率有了很大的提升。基本可以满足用户的需要了。

    那是不是可以更快呢？

 

 

分割法 ( 内存机制 )

     第一步 ：循环读取文件一遍，取出所有数据的前三位，即号段存入 List 中 ( 要滤重 )

第二步： 遍历 List 分别取出号段值 value ，再分别读取文件把数据是以 value 开头数据读入到 Set 中，当读文件结束时，写 Set 中的数据写入目标文件。

  经测试：

  

Java代码

1. * 371M 的文件（ 3000 万的数据）   过滤数据耗时 : 70672 毫秒   
2. * 520M 的文件（ 4200 万的数据）   过滤数据耗时 : 159016 毫秒   

* 371M 的文件（ 3000 万的数据）   过滤数据耗时 : 70672 毫秒* 520M 的文件（ 4200 万的数据）   过滤数据耗时 : 159016 毫秒 

 

 

2 多分钟可以搞定 4000 万的数据，从这个耗时看，效率有了很大的提升。已经可以满足用户的需要了。

    那是不是还可以更快呢？