V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
unboy
V2EX  ›  问与答

1000 万行文本数据如何做筛选?

  •  
  •   unboy · 2018-04-15 15:51:42 +08:00 · 3154 次点击
    这是一个创建于 2399 天前的主题,其中的信息可能已经有所发展或是发生改变。
    txt 数据,只做最简单的筛选,之前只有几十万行,一直在用 excel 虽然卡一点也处理的过来。这次突增到 1000 万行了,数据 900MB 左右,excel 肯定不行了,导入到 access2016 里,虽然导入很快,但是一点筛选就卡住,cpu 占用倒是只有 50%,像这种情况还有其他更简便的筛选方法吗?谢谢
    12 条回复    2018-04-16 00:48:55 +08:00
    linap
        1
    linap  
       2018-04-15 16:03:44 +08:00 via Android   ❤️ 1
    mysql
    msg7086
        2
    msg7086  
       2018-04-15 16:55:27 +08:00   ❤️ 3
    难道不是 grep ? 900M 简单过滤,10 秒钟足够了吧。
    dobelee
        3
    dobelee  
       2018-04-15 17:28:48 +08:00 via Android   ❤️ 1
    文本最简单最快的 grep 了。结构化的另说。excel 就不好了。
    kiwi95
        4
    kiwi95  
       2018-04-15 17:30:38 +08:00 via iPhone   ❤️ 4
    行数据,grep, awk, sed 一套下来基本能搞定
    liucudliucud
        5
    liucudliucud  
       2018-04-15 17:47:30 +08:00 via Android   ❤️ 1
    传到集群上用任务搞,9 亿行都没问题
    ynyounuo
        6
    ynyounuo  
       2018-04-15 18:25:22 +08:00   ❤️ 1
    用 ripgrep 4.4 亿行用简单正则筛选只用 21 秒

    wc -l < OpenSubtitles2018.raw.en
    441450449

    rg -n -i '.*way.*to.*explore.*' OpenSubtitles2018.raw.en 12.95s user 7.14s system 97% cpu 21.308 total
    clino
        7
    clino  
       2018-04-15 18:36:05 +08:00 via Android
    unqlite 可以试试
    qinrui
        8
    qinrui  
       2018-04-15 21:21:03 +08:00 via iPhone
    awk
    locktionc
        9
    locktionc  
       2018-04-15 22:25:32 +08:00
    你如果能把样本数据,你需要筛选的内容都提供一下,大家会给你更多办法。
    qwertyegg
        10
    qwertyegg  
       2018-04-15 23:30:23 +08:00
    这不是大数据 101 的题目嘛?拆成 10 份分开弄,然后合并结果
    wqzjk393
        11
    wqzjk393  
       2018-04-16 00:25:05 +08:00 via iPhone
    1,数据库,用 where 筛选。2,用 pandas 的 read_csv 函数,dataframe 什么不能干?………实际上我们工作接触几千万行数据,是用 hive 数据库的。其实吧,我个人觉得,只要不死机,卡就卡吧…
    Howlaind
        12
    Howlaind  
       2018-04-16 00:48:55 +08:00 via Android
    the_silver_searcher
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   996 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 19:46 · PVG 03:46 · LAX 11:46 · JFK 14:46
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.