|
|
1、獲取csdn的用戶數(shù)據(jù)庫(kù)導(dǎo)入本地
試用editplus打開提示內(nèi)存不足，沒(méi)找到辦法，同事的linux下查看了一下，基本的格式如下：
用戶名 # 密碼 # 郵箱
用戶名 # 密碼 # 郵箱
相應(yīng)數(shù)據(jù)結(jié)構(gòu)：
復(fù)制代碼 代碼如下:
CREATE TABLE IF NOT EXISTS `csdn_userdb` (
`id` int(10) NOT NULL auto_increment,
`username` varchar(50) character set gbk NOT NULL,
`password` varchar(50) character set gbk NOT NULL,
`email` varchar(50) character set gbk NOT NULL,
PRIMARY KEY (`id`),
KEY `username` (`username`),
KEY `email` (`email`)
) ENGINE=MyISAM DEFAULT CHARSET=gbk AUTO_INCREMENT=1 ;
一直懷疑fopen打開文件是寫入緩存的，但是實(shí)踐證明速度很快，應(yīng)該是沒(méi)有寫入緩存,以下為導(dǎo)入數(shù)據(jù)的代碼
復(fù)制代碼 代碼如下:
<?php
$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle = fopen("C:/Users/zhudong/Desktop/www.csdn.NET.sql", "r");
while (!feof($handle)){
$i++;
$buffer = fgets($handle);
list($u,$p,$e) = explode(" # ",$buffer);
mysql_query("INSERT INTO csdn_userdb(username,password,email) VALUES ('$u','$p','$e')",$link);
if ($i%1000 == 0) echo $i."/n";
}
fclose($handle);
?>
以上代碼效率非常差，故做修改后代碼如下：
復(fù)制代碼 代碼如下:
<?php
$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle = fopen("C:/Users/zhudong/Desktop/www.csdn.NET.sql", "r");
$perpage = 50;
while (!feof($handle)){
$i++;
$buffer = fgets($handle);
list($u,$p,$e) = explode(" # ",$buffer);
$insertValue[] = "('$u','$p','$e')";
if ($i% $perpage == 0){ $perpage == 0){
$instrtValueString = implode(',',$insertValue);
mysql_query("INSERT INTO csdn_userdb(username,password,email) VALUES $instrtValueString",$link);
echo $i."/n";
$insertValue = array();
}
}
fclose($handle);
為了搞清楚有那些因素對(duì)導(dǎo)入數(shù)據(jù)的效率產(chǎn)生影響，故根據(jù)不同的設(shè)置進(jìn)行了測(cè)試
CSDN用戶總數(shù)據(jù) 6428600
當(dāng)$perpage=500；導(dǎo)入后數(shù)據(jù)：5,902,000；數(shù)據(jù)丟失526600 丟失率：8%；數(shù)據(jù)表引擎：MyISAM；索引：有；總耗時(shí) ：15分鐘
當(dāng)$perpage=200，導(dǎo)入后數(shù)據(jù)總數(shù)：6,210,200；數(shù)據(jù)丟失：218400；丟失率：3.3%；數(shù)據(jù)表引擎： MYISAM ；索引：有；總耗時(shí)：30分鐘
當(dāng)$perpage=200，導(dǎo)入后數(shù)據(jù)總數(shù)：6,210,200；數(shù)據(jù)丟失：218400；丟失率：3.3%；數(shù)據(jù)表引擎：INNODB；索引：有；總耗時(shí)：65分鐘
當(dāng)$perpage=200，導(dǎo)入后數(shù)據(jù)總數(shù)：6,210,200；數(shù)據(jù)丟失：218400；丟失率：3.3%；數(shù)據(jù)表引擎：MYISAM；索引：無(wú)；總耗時(shí)：14分鐘(數(shù)據(jù)導(dǎo)入完畢后單獨(dú)再建索引)
當(dāng)$perpage=50，導(dǎo)入后數(shù)據(jù)總數(shù)：6,371,200；數(shù)據(jù)丟失：57400，丟失率：0.8%；數(shù)據(jù)表引擎：MYISAM；索引：無(wú)：總耗時(shí)：20分鐘
根據(jù)以上情況總結(jié)如下：
1、先導(dǎo)入數(shù)據(jù)后加索引的效率要比先加索引后導(dǎo)入數(shù)據(jù)的高一倍
2、InnoDB 在單進(jìn)程數(shù)據(jù)插入上的效率要比MYISAM低很多
3、當(dāng)perpage=50的情況下數(shù)據(jù)丟失率在1%以下
復(fù)制代碼 代碼如下:
因?yàn)橥ㄟ^(guò)瀏覽器執(zhí)行會(huì)有超時(shí)的問(wèn)題，而且效率地下，故通過(guò)命令行方式運(yùn)行，此過(guò)程中遇到一點(diǎn)小麻煩耽擱了不少時(shí)間
起初我執(zhí)行如下代碼：
php.exe E:/usr/www/importcsdndb.php
但是一直報(bào)錯(cuò)：call to undefined function mysql_connect
折騰發(fā)現(xiàn)沒(méi)有載入php.ini
正確代碼為：
php.exe -c E:/usr/local/apache2/php.ini importcsdndb.php
2、導(dǎo)入需要匹配的用戶數(shù)據(jù)數(shù)據(jù)至本地
命令行進(jìn)入msyql（不會(huì)的自己百度）
然后執(zhí)行：mysql>source C:/Users/zhudong/Desktop/userdb.sql
3、對(duì)比篩選用戶
對(duì)比程序?qū)懞昧耍杏浽诿钚邢逻\(yùn)行：
復(fù)制代碼 代碼如下:
<?php
$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle_username = fopen("E:/records_username.txt","a");
//$handle_email = fopen("E:/records_email.txt","a");
$username_num = $email_num = $uid = 0;
while ($uid<2181106) {
$nextuid=$uid+10000;
$query = mysql_query("SELECT * FROM pw_members WHERE uid>'$uid' AND uid<'$nextuid'");
while ($rt = mysql_fetch_array($query,MYSQL_ASSOC)) {
$username = $rt['username'];
$email = $rt['email'];
$query2 = mysql_query("SELECT * FROM scdn_userdb WHERE username='$username' OR email='$email'");
while ($rt2 = mysql_fetch_array($query2,MYSQL_ASSOC)) {
if ($rt['password'] = md5($rt2['password'])) {
if ($rt2['username'] == $username) {
$username_num++;
fwrite($handle_username,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt2['username'].'|'.$rt2['password'].'|'.$rt2['email']."/r/n");
echo 'username_num='.$username_num."/r/n";
continue;
}
/*
if ($rt2['email'] == $email) {
$email_num++;
fwrite($handle_email,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt2['username'].'|'.$rt2['password'].'|'.$rt2['email']."/r/n");
echo 'email_num='.$email_num."/r/n";
}
*/
}
}
mysql_free_result($query2);
}
$uid = $nextuid;
}
?>
您看到的以上的代碼是非常蹩腳的，因?yàn)槠湫侍貏e低 ，幾百萬(wàn)的數(shù)據(jù)，要跑10多個(gè)小時(shí)，怎么能忘記連表查詢這么基本的東西呢，以下為修正后的方法
復(fù)制代碼 代碼如下:
$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle_username = fopen("E:/records_username.txt","a");
while($uid<2181106) {//此處的數(shù)字為要對(duì)比用戶庫(kù)的最大ID
$nextuid= $uid+10000;
$query = mysql_query("SELECT m.uid,m.username,m.password,m.email,u.password as csdn_password,u.email as csdn_email FROM own_members m LEFT JOIN csdn_userdb u USING(username) WHERE m.uid>'$uid' AND m.uid<='$nextuid' AND u.username!=''");
while ($rt = mysql_fetch_array($query,MYSQL_ASSOC)) {
if ($rt['password'] == md5($rt['csdn_password'])) {
$username_num++;
fwrite($handle_username,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt['username'].'|'.$rt['csdn_password'].'|'.$rt['csdn_email']."/r/n");
echo 'username_num='.$username_num."/r/n";
}
}
$uid = $nextuid;
echo 'uid='.$uid;
}
?>
總對(duì)比時(shí)間25分鐘，相比較之前10多個(gè)小時(shí)的執(zhí)行真是大有提升
總重名用戶：34175
占總會(huì)員比例：1.7%
1.7%的重名用戶還是挺嚴(yán)重的，希望本文對(duì)各位站長(zhǎng)對(duì)比出本站的用戶有所幫助
php技術(shù)：匹配csdn用戶數(shù)據(jù)庫(kù)與官方用戶的重合度并將重疊部分的用戶篩選出來(lái)，轉(zhuǎn)載需保留來(lái)源！
鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。
