Awezome

  • 主页
  • 随笔
所有文章 友链 关于我

Awezome

  • 主页
  • 随笔

PHP读取大文件的多种处理方式

2014-07-27

一直感觉PHP处理大文件是一件很不靠谱的事性,幸好有着越来越多的方法来解决这件事行。

1.直接File
如果这个大文件不算“太大”,那么就可以先用File这个方法直接把文件全部读到变量里,成为一个数组,每行为一个value。优点就是简单快速。

1
2
3
4
5
6
7
8
9
10
11
<?php
print_r(file("test.txt"));
?>
//output
Array
(
[0] => Hello World. Testing testing!
[1] => Another day, another line.
[2] => If the array picks up this line,
[3] => then is it a pickup line?
)

2.这个方法是很传统的方法,每读一行处理一行。

1
2
3
4
5
6
7
8
9
10
11
12
13
$handle = @fopen($filename, "r");
if (!$handle) {
exit();
}
$i=0;
while (($buffer = fgets($handle)) !== false) {
echo $buffer;
}
if (!feof($handle)) {
echo ("Error: unexpected fgets() fail\n");
exit();
}
fclose($handle);

3.使用SPL SplFileObject , 这个好像更厉害,不过要PHP 5.1的支持。
这个类用来对文本文件进行遍历。

1
2
3
4
5
6
7
8
9
<?php
try{
foreach( new SplFileObject('/log/php.log') as $line)
echo $line.'
';
}catch (Exception $e){
echo $e->getMessage();
}
?>

返回文本文件的第10行,可以这样写:

  • php
  • 大文件
  • PHP

阅读全文

Java Substring 两个参数的坑

2014-06-07

搞了一天的elasticsearch,中间过程确是用大量时间处理java的几个字符串的问题。本来以为 java 里 String substring(int beginIndex, int endIndex) 的开始位置比0小时会自动为0,第二个参数大于总长度时会自动填长度,结果不是,为什么不这样做?

最后还是看源码吧:

1
2
3
4
5
6
7
8
9
10
11
12
13
public String substring(int beginIndex, int endIndex) {
if (beginIndex < 0) {
throw new StringIndexOutOfBoundsException(beginIndex);
}
if (endIndex > count) {
throw new StringIndexOutOfBoundsException(endIndex);
}
if (beginIndex > endIndex) {
throw new StringIndexOutOfBoundsException(endIndex - beginIndex);
}
return ((beginIndex == 0) && (endIndex == count)) ? this :
new String(offset + beginIndex, endIndex - beginIndex, value);
}
  • java
  • Java

阅读全文

SQL Joins 图解

2014-05-28

网上搞来的,以前要是有这图,学起来得有多简单。
sqljoins2

  • MySQL
  • MySQL

阅读全文

[转] 程序设计竞赛ACM训练手册

2014-05-28

首先说做ACM是个很锻炼人的过程,可以自已没正式训练过(中间做过很短很短的一段时间)。今天无意看到下面的文章,先不说要求自己几分钟内写多少码,至少这些算法得有空再研究研究,书也买来看看。

首先是编程的能力,一般要做到50行以内的程序不用调试、100行以内的二分钟内调试成功。

第一阶段:练经典常用算法,下面的每个算法给我打上十到二十遍,同时自己精简代码,因为太常用,所以要练到写时不用想,10-15分钟内打完。
1.最短路(Floyd、Dijstra、BellmanFord);
2.最小生成树(先写个prim,kruscal要用并查集,不好写);
3.大数(高精度)加减乘除;
4.二分查找(代码可在五行以内);
5.叉乘、判线段相交、然后写个凸包;
6.BFS、DFS,同时熟练hash表(要熟,要灵活,代码要简);
7.数学上的有:辗转相除(两行内),线段交点、多角形面积公式;
8.调用系统的qsort, 技巧很多,慢慢掌握;
9.任意进制间的转换……

第二阶段:练习复杂一点,但也较常用的算法。 如:
1.二分图匹配(匈牙利),最小路径覆盖;
2.网络流,最小费用流;
3.线段树;
4. 并查集;
5.熟悉动态规划的各个典型:LCS、最长递增子串、三角剖分、记忆化dp ;
6.博弈类算法。博弈树,二进制法等;
7.最大团,最大独立集;
8.判断点在多边形内;
9.差分约束系统;
10.双向广度搜索、A*算法,最小耗散优先……

算法书有很多可以参考:

1、Concrete Mathematics — A Foundation For Computer Science
Ronald L. Graham , Donald E. Knuth , Oren Patashnik
这本书《具体数学》是Stanford计算机系的教材(1970 年开始给研究生授课),书的内容是Knuth的巨著TAOCP第一章的扩展,涉及了计算机科学领域内几乎所有可能遇到的数学知识。书中许多经典问题的解答比目前广泛流传的解法更易懂。对于提高大家的数学修养有很大帮助。

2、Introduction to Algorithms
Thomas H. Cormen ,Charles E. Leiserson ,Ronald L. Rivest ,Clifford Stein
《算法导论》MIT计算机系的经典算法教材。作者Rivest获得过ACM Turing Award,牛!本书内容全面,语言通俗,很适合大家入门。

3、实用算法的分析和程序设计
吴文虎 王建德
大名鼎鼎的“黑书”。内容包括了竞赛需要的各种算法,各种层次的读者都适合。

  • 算法
  • Algorithm

阅读全文

PHP 导出 CVS Excel

2014-05-27

php 5.1 以后自带了一个 fputcsv 函数,如果想把数组导出成excel又没有其它更完善的需求,fputcsv 是个最好的选择,当然要用更强大的功能,可以试试PHPExcel这个库。

下面是导出后并下载的封装函数

1
2
3
4
5
6
7
8
9
10
11
12
13
function exportCSV($fileName, array $title,array $data) {
header('Content-Type: application/vnd.ms-excel');
header("Content-Disposition: attachment;filename = {$fileName}.csv");
header('Cache-Control: max-age=0');

$fp = fopen('php://output', 'a');
fputcsv($fp, $title);

foreach ($data as $one) {
fputcsv($fp, $one);
}
fclose($fp);
}

简单的demo

1
2
3
4
5
6
7
8
$title=array('name','age');

$data=array(
array('李四','12'),
array('张三','20')
);

exportCSV('aaa',$title,$data);
  • php
  • PHP

阅读全文

js中Date对象Month要比真实值小1

2014-05-22

js中Date对象Month要比真实值小1, 为什么要这样?我想用2014-01-05 还得这样,真是不理解。

1
new Date(2014,00,05);
  • js
  • JQuery

阅读全文

[转] 关于数组的几道面试题

2014-05-20

数组求和

求数组中的最大值和最小值

求数组中的最大值和次大值

求数组中出现次数超过一半的元素

求数组中元素的最短距离

求两个有序数组的共同元素

求三个数组的共同元素

找出数组中唯一重复的元素

找出出现奇数次的元素

求数组中满足给定和的数对

最大子段和

最大子段积

数组循环移位

字符串逆转

组合问题

合并两个数组

重排问题

找出绝对值最小的元素

*数组求和 *
给定一个含有n个元素的整型数组a,求a中所有元素的和。可能您会觉得很简单,是的,的确简单,但是为什么还要说呢,原因:这道题要求用递归,只用一行代码。
分析
简单说一下,两种情况:
1. 如果数组元素个数为0,那么和为0;
2. 如果数组元素个数为n,那么先求出前n-1个元素之和,再加上a[n - 1]即可;
代码
// 数组求和
int sum(int*a, int n) { return n ==0?0 : sum(a, n -1) + a[n -1]; }

求数组的最大值和最小值
给定一个含有n个元素的整型数组a,求a中的最大值和最小值。
分析
常规的做法是遍历一次,分别求出最大值和最小值,事实上,至多3|n/2|(||代表向下取整)就足以找出最小值和最大值。做法是:记录比较过程中遇到的最小值和最大值。我们并不是将每一个输入元素与当前的最大值和最小值进行比较(这样做的代价是每个元素需要两次比较),而是成对的处理元素。先将一对输入元素进行比较,然后把较小者与当前最小值进行比较,把较大者与当前最大值比较,因此每两个元素比较3次。
如何假定当前最小值和最大值的初始值依赖于n是奇数还是偶数。如果n是奇数,就将最小值和最大值都设为第一个元素的值,然后成对的处理余下的元素。如果n是偶数,就对前两个元素做一次比较,以决定最小值和最大值的初值,然后如同n是奇数的情形一样,成对的处理余下的元素。

但是这里要说的是分治法,将数组分成左右两部分,先求出左半部分的最大值和最小值,再求出右半部分的最大值和最小值,然后综合起来求总体的最大值和最小值。这是个递归的过程,对于划分后的左右两部分,同样重复这个过程,直到划分区间内只剩下一个元素或者两个元素。

代码
// 求数组的最大值和最小值,返回值在maxValue和minValue
`void MaxandMin(int *a, int l, int r, int& maxValue, int& minValue)
{
if(l == r) // l与r之间只有一个元素
{
maxValue = a[l] ;
minValue = a[l] ;
return ;
}

if(l + 1 == r) // l与r之间只有两个元素
{
    if(a[l] >= a[r])
    {
        maxValue = a[l] ;
        minValue = a[r] ;
    }
    else
    {
        maxValue = a[r] ;
        minValue = a[l] ;
    }
    return ;
}

int m = (l + r) / 2 ; // 求中点

int lmax ; // 左半部份最大值
int lmin ; // 左半部份最小值
MaxandMin(a, l, m, lmax, lmin) ; // 递归计算左半部份

int rmax ; // 右半部份最大值
int rmin ; // 右半部份最小值
MaxandMin(a, m + 1, r, rmax, rmin) ; // 递归计算右半部份

maxValue = max(lmax, rmax) ; // 总的最大值
minValue = min(lmin, rmin) ; // 总的最小值

}
**求数组的最大值和次小值** 给定一个含有n个元素的整型数组a,求a中的最大值和次小值。 分析 思路和上一题类似,同样是用分治法,先求出左边的最大值leftmax和次大值leftsecond,再求出右边的最大值rightmax和次大值rightsecond,然后合并,如何合并呢?分情况考虑。 1\. 如果leftmax > rightmax,那么可以肯定leftmax是最大值,但次大值不一定是rightmax,但肯定不是rightsecond,只需将leftsecond和rightmax做一次比较即可; 2\. 如果rightmax > leftmax,那么可以肯定的rightmax是最大值,但次大值不一样是leftmax,但肯定不是leftsecond,所以只需将leftmax与rightsecond做一次比较即可; 注意 这种方法无法处理最大元素有多个的情况,比如3,5,7,7,将返回7,7而不是7,5。感谢网友,从无到有靠他人指出。 代码 // 找出数组的最大值和次大值,a是待查找的数组,left和right是查找区间,max和second存放结果void MaxandMin(int a[], int left, int right, int&max, int&second)
{
if(left == right)
{
max = a[left] ;
second = INT_MIN;
}
elseif(left +1== right)
{
max = a[left] > a[right] ? a[left] : a[right] ;
second = a[left] < a[right] ? a[left] : a[right] ;
}
else
{
int mid = left + (right - left) /2 ;

    int leftmax ;
    int leftsecond ;
    MaxandMin(a, left, mid, leftmax, leftsecond) ;

    int rightmax ;
    int rightsecond ;
    MaxandMin(a, mid +1, right, rightmax, rightsecond) ;

    if (leftmax > rightmax)
    {
        max = leftmax ;
        second = leftsecond > rightmax ? leftsecond : rightmax ;
    }
    else
    {
        max = rightmax ;
        second = leftmax < rightsecond ? rightsecond : leftmax ;
    }
}
  • 算法
  • Algorithm

阅读全文

几种常见的排序算法的PHP实现

2014-05-19
1
2
3
4
5
6
7
8
9
10
11
static function Bubble($arr) {
$num = count($arr);
for ($i = 1; $i < $num; $i++) {
for ($j = $num - 1; $j >= $i ; $j--) {
if ($arr[$j] < $arr[$j-1]) {
self::exch($arr,$j,$j-1);
}
}
}
return $arr;
}
1
2
3
4
5
6
7
8
9
10
11
12
static public function selection (&$data){
$size=count($data);
for($i=0;$i<$size;$i++){
$min=$i;
for($j=$i+1;$j<$size;$j++){
if($data[$j]<$data[$min]){
$min=$j;
}
}
self::exch($data,$i,$min);
}
}
1
2
3
4
5
6
7
8
static function insertion(&$data){
$size=count($data);
for($i=1;$i<$size;$i++){
for($j=$i;$j>0 $$ $a[$j]<$a[$j-1];$j--){
self::exch($data,$j,$j-1);
}
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
static function shell(&$data){
$size=count($data);
$h=1;
while($h<$size/3){
$h=3*$h+1;
}
while($h>=1){
for($i=$h;$i<$size;$i++){
for($j=$i;$j>=$h && $data[$j]<$data[$j-$h];$j-=$h){
self::exch($data,$j,$j-$h);
}
}
$h=$h/3;
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
static function quick(array &$data,$lo,$hi){
if($hi<=$lo){
return ;
}

//partition
$i=$lo;
$j=$hi+1;
$v=$data[$lo];
while(1){
while($data[++$i]<$v){
if($i==$hi){
break;
}
}
while($v<$data[--$j]){
if($j==$lo){
break;
}
}
if($i>=$j){
break;
}
self::exch($data,$i,$j);
}
self::each($data,$lo,$j);
$k=$j;

//
quick($data,$lo,$k-1);
quick($data,$k+1,$hi);
}
1
2
3
4
5
static function exch(&$data,$i,$j){
$tmp=$data[$i];
$data[$i]=$data[$j];
$data[$j]=$tmp;
}
  • 算法
  • Algorithm

阅读全文

[转] 大数据排序或取重或去重相关问题

2014-05-18

1. 给定a、b两个文件,各存放50亿个url,每个url各占64字节,内存限制是4G,让你找出a、b文件共同的url?
方案1:可以估计每个文件安的大小为50G×64=320G,远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。
s 遍历文件a,对每个url求取 ,然后根据所取得的值将url分别存储到1000个小文件(记为 )中。这样每个小文件的大约为300M。
s 遍历文件b,采取和a相同的方式将url分别存储到1000各小文件(记为 )。这样处理后,所有可能相同的url都在对应的小文件( )中,不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。
s 求每对小文件中相同的url时,可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url,看其是否在刚才构建的hash_set中,如果是,那么就是共同的url,存到文件里面就可以了。
方案2:如果允许有一定的错误率,可以使用Bloom filter,4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit,然后挨个读取另外一个文件的url,检查是否与Bloom filter,如果是,那么该url应该是共同的url(注意会有一定的错误率)。

2. 有10个文件,每个文件1G,每个文件的每一行存放的都是用户的query,每个文件的query都可能重复。要求你按照query的频度排序。
方案1:
s 顺序读取10个文件,按照hash(query)%10的结果将query写入到另外10个文件(记为 )中。这样新生成的文件每个的大小大约也1G(假设hash函数是随机的)。
s 找一台内存在2G左右的机器,依次对 用hash_map(query, query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件(记为 )。
s 对 这10个文件进行归并排序(内排序与外排序相结合)。
方案2:
一般query的总量是有限的,只是重复的次数比较多而已,可能对于所有的query,一次性就可以加入到内存了。这样,我们就可以采用trie树/hash_map等直接来统计每个query出现的次数,然后按出现次数做快速/堆/归并排序就可以了。
方案3:
与方案1类似,但在做完hash,分成多个文件后,可以交给多个文件来处理,采用分布式的架构来处理(比如MapReduce),最后再进行合并。

3. 有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16字节,内存限制大小是1M。返回频数最高的100个词。
方案1:顺序读文件中,对于每个词x,取 ,然后按照该值存到5000个小文件(记为 ) 中。这样每个文件大概是200k左右。如果其中的有的文件超过了1M大小,还可以按照类似的方法继续往下分,知道分解得到的小文件的大小都不超过1M。对 每个小文件,统计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等),并取出出现频率最大的100个词(可以用含100个结点 的最小堆),并把100词及相应的频率存入文件,这样又得到了5000个文件。下一步就是把这5000个文件进行归并(类似与归并排序)的过程了。

4. 海量日志数据,提取出某日访问百度次数最多的那个IP。
方案1:首先是这一天,并且是访问百度的日志中的IP取出来,逐个写入到一个大文件中。注意到IP是32位的,最多有 个 IP。同样可以采用映射的方法,比如模1000,把整个大文件映射为1000个小文件,再找出每个小文中出现频率最大的IP(可以采用hash_map进 行频率统计,然后再找出频率最大的几个)及相应的频率。然后再在这1000个最大的IP中,找出那个频率最大的IP,即为所求。

5. 在2.5亿个整数中找出不重复的整数,内存不足以容纳这2.5亿个整数。
方案1:采用2-Bitmap(每个数分配2bit,00表示不存在,01表示出现一次,10表示多次,11无意义)进行,共需内存 内存,还可以接受。然后扫描这2.5亿个整数,查看Bitmap中相对应位,如果是00变01,01变10,10保持不变。所描完事后,查看bitmap,把对应位是01的整数输出即可。
方案2:也可采用上题类似的方法,进行划分小文件的方法。然后在小文件中找出不重复的整数,并排序。然后再进行归并,注意去除重复的元素。

6. 海量数据分布在100台电脑中,想个办法高校统计出这批数据的TOP10。
方案1:
s 在每台电脑上求出TOP10,可以采用包含10个元素的堆完成(TOP10小,用最大堆,TOP10大,用最小堆)。比如求TOP10大,我们首先取前 10个元素调整成最小堆,如果发现,然后扫描后面的数据,并与堆顶元素比较,如果比堆顶元素大,那么用该元素替换堆顶,然后再调整为最小堆。最后堆中的元 素就是TOP10大。
s 求出每台电脑上的TOP10后,然后把这100台电脑上的TOP10组合起来,共1000个数据,再利用上面类似的方法求出TOP10就可以了。

7. 怎么在海量数据中找出重复次数最多的一个?
方案1:先做hash,然后求模映射为小文件,求出每个小文件中重复次数最多的一个,并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求(具体参考前面的题)。

8. 上千万或上亿数据(有重复),统计其中出现次数最多的钱N个数据。
方案1:上千万或上亿的数据,现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了,可以用第6题提到的堆机制完成。

  • 算法
  • 大文件
  • 大数据
  • Algorithm

阅读全文

PHP 输出上个月最后一天

2014-05-17

上个月第一天很显然可以这样用:

1
date('Y-m-01', strtotime('-1 month'));

上个月最后一天可以这样用

1
date('Y-m-t', strtotime('-1 month'));

这样感觉使用起来很神奇,不过还是strtotime的作用,看看手册上还有哪些用法。

1
2
3
4
5
6
7
echo strtotime("now"), "\n";
echo strtotime("10 September 2000"), "\n";
echo strtotime("+1 day"), "\n";
echo strtotime("+1 week"), "\n";
echo strtotime("+1 week 2 days 4 hours 2 seconds"), "\n";
echo strtotime("next Thursday"), "\n";
echo strtotime("last Monday"), "\n";
  • php
  • PHP

阅读全文

« Prev123456Next »
© 2014-2019 Awezome
Hexo Theme Zilia by Awezome