500G文本數據，應該選用什麼數據庫軟件？

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

这是一个创建于 4064 天前的主题，其中的信息可能已经有所发展或是发生改变。

目前學校實驗有差不多500G的txt文件（帶了一個移動硬盤去拷了幾個小時...完全不能理解為什麼是txt...），為了方便分析，打算導入到數據庫中，但是之前從沒有處理過超過1G的數據，所以不知道應該選擇mysql還是pregesql還是別的軟件。數據目前是一段時間的twitter的timeline，之後可能會開始抓取更新的timeline，也就是數據會繼續增長，希望各位能給點建議，謝謝~！

數據

還是

軟件

8 条回复 • 1970-01-01 08:00:00 +08:00

mongodb

2013-10-07 09:27:57 +08:00

直接导入mysql 也挺快的。
如果没有对外服务的大量读写，换句话说，不需要在性能追求上吹毛求疵的话，做些简单的优化和处理也足够了。索引必须弄好。

有些时候吧，有些简单的操作交给linux几个文本神器，更快。。

Livid

MOD

2013-10-07 09:30:48 +08:00 via iPhone

Hive

freeznet

2013-10-07 10:26:47 +08:00

剛才同boss聊過以後boss的意思也是用mysql，因為基本上都是本地分析的讀寫，所以就定用mysql了~

xdeng

2013-10-07 11:40:15 +08:00

文本压缩比 10%

plprapper

2013-10-07 12:31:36 +08:00

这个数据规模不上hadoop 神码的够呛你用mysql 会卡的吧

Livid

MOD

2013-10-07 12:58:25 +08:00

你贴 10 行 sample 出来看看吧。

freeznet

2013-10-07 21:59:39 +08:00

sample 就是 twitter 的 tweet json

{"favorited": false, "truncated": false, "text": "3-1. Walters. Arse.", "created_at": "Wed Dec 26 20:51:26 +0000 2012", "retweeted": false, "source": "web", "user": {"id": 70992183, "verified": true, "profile_sidebar_fill_color": "http://a0.twimg.com/profile_background_images/55981711/twitter_shankly.jpg", "profile_text_color": "333333", "followers_count": 55319, "location": "Leicester", "profile_background_color": "C0DEED", "listed_count": 1929, "statuses_count": 23032, "description": "Sportswriter. Baldie. Author of 9 books. Plan to sporadically tweet again, plus automatically-generated article/news links from http://t.co/u78KTmM8", "friends_count": 380, "profile_link_color": "0084B4", "profile_image_url": "http://a0.twimg.com/profile_images/1005760083/For_Twitter3_normal.jpg", "screen_name": "paul_tomkins", "lang": "en", "profile_background_tile": false, "favourites_count": 3, "name": "Paul Tomkins", "url": "http://tomkinstimes.com/", "created_at": "Wed Sep 02 15:31:39 +0000 2009", "time_zone": "London", "protected": false}, "retweet_count": 4, "id": 284038736671539201}

類似這樣的

otakustay

2013-10-08 03:21:09 +08:00

500G的数据用MySQL分析不难，如果对时间没特别高的要求还不至于要hive或者hadoop这样的，熟悉MySQL的话就用着MySQL好了
我觉得问题在于，这数据怎么导入MySQL去……至少500G的东西全读入内存然后parseJSON是不现实的，得要一个支持流读取的JSON实现，边读边丢，读完一个对象就别留内存里。java中有jackson之类的，python有ijson这种