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 12:09 i0 C) x* v- j% w" _
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
8 G* J6 C- \9 p; H& _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 15:29' y A$ ^' H( c i+ p' G
随机文章写入数据库吗？不然每次访问结果都不一样？( _: v, w5 _9 F" f5 r" ^, R
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& f2 B2 L6 E. _5 b7 Y2 B
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 19:430 U3 l. K* @( ?1 H/ i
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。
5 L" M0 F; k3 j# T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) A' U+ x/ K7 K4 W6 H6 v& k$ K
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

谷歌+Bing+TT+MSN官方代理	⚡️按条S5代理⚡️静态⚡️独享⚡️5G	需要代理IP?⚡️Proxysites.ai⚡️	指纹浏览器，就用AdsPower
Mediabuy⚡️玩家开户首选	【鲁班跨境通-自助充值转账】	FB/GG/TT❤️官方免费开户	Affiliate 全媒体流量资源⚡️
Taboola/Outbrain /Bing⚡️一级代理	*开户投流-724h❤️人工在线**	【官方】❤️搜索套利买量投流开户	独立站⚡️开户投放
DuoPlus专注打造跨境电商云手机	E.PN 虚拟卡	BINOM TRACKER 60% OFF!	比Adplexity还好用的Spy工具
MediaGo+Taboola+Ob开户	百度国际MediaGo⚡️让产品狂奔全球	百度国际，高点击转化，快速放量	百度国际MediaGo，独家原生流量
ADPLEXITY + ADVERTCN	7200W全球动态不重复住宅IP代理	全球虚拟卡, 支持U充值	Facebook 批量上广告
尤里改 - FB 稳定投放	免费黑五教程（持续更新、欢迎交流）	FB 三不限源头 - 自助下户充值转款	各种主页、账单户、BM户（优势）
⚡️个人户，bm户不限额，账单户	一手BM分享户不限额	9Proxy ⚡️ $0.04/IP, 无限带宽	IPCola原生住宅IP⚡️$2.1/条双ISP
FB二三解0.1元一个	虚拟卡\|PTM星际卡	FB专用虚拟卡	Google、Bing官方总代联盟流量开户
FB账号资源/稳定靠谱/运行5年啦	FB开户代投/三不限/白名单	fb耐用号0.01一个	fb账号官方合作商
FB资源，账单户，分享户，国内一手	FB企业户BM户账单户源头	广告位出租

求个大文本乱序的工具

点评

点评

点评

点评

点评

社区QQ达人