超过 1TB 的 csv 文件，有没有快速的处理方法

[kernelpanic]

格式：ID ，content ，sort
需要找到所有相同 ID 的 content ，按 sort 顺序拼接起来存到数据库里，怎样最快？难道要逐个循环吗那也太慢了？大家有没有好的算法？

[liaojl]

什么文件啊，这么大😧，社工库？

[woscaizi]

导入数据库，然后用 sql 处理

[pwelyn]

csv 导入到数据库，然后用数据库的 sql 查询所有具有相同 ID 的记录，然后按 sort 字段排序。不知道行不行

[phrack]

数据库我估计处理起来会遇到问题。

假设你的内存能装 32g 的数据，那就把这个大文件分成多个文件，每个 32g ，挨个加载进内存排序再写回，最后再 merge sort 。标准操作。

[phrack]

好像读题读错了，不过方法也能用。


越看越像社工库。

[yianing]

duckdb 之前看别人用着挺猛的，要不试试？

[kernelpanic]

不是社工裤，内容类似新闻报道，只不过每个段落一条记录，需要把这些段落按顺序恢复成一篇文章。

[Celebi]

文本三剑客

[hugi]

@liaojl 江湖上的事少打听

[weak]

clickhouse

[ZeroW]

无论用什么外部工具，最低的复杂度也需要把所有的数据过一遍建立结构化数据，和你循环一遍差距不大

[marquina]

可以将问题提给 chatgpt ，参考 ai 的思路。
我的思路是，1 、将 id 相同的记录聚集在一起。2 、遍历每个 id ，将对应的多个数据按 sort 排序。3 、将排序后的数据记录下来。

[marquina]

@marquina #12 第 1 步和第 2 步可以考虑用 shell 的 sort 命令，或者导入数据库并加入索引（ id+sort 联合索引）。第 3 步就是写代码，扫描每一行即可。

[SuperXX]

Duckdb 或者 Clickhouse 吧，Parquet 文件格式可以显著性的减小你的文件大小， 并且加快读取速度

[zwy100e72]

个人倾向于把复杂度转移给文件系统，一边扫描 csv 一边把内容切开，形成这么个结构 `{id}/{sort}.txt` content 直接写进文件里，这样的话处理逻辑上可以一行一行处理；最后入库的时候再按照你的要求拼接好入库

时间复杂度上算是做了三轮遍历，空间复杂度上是输入文件的 3 倍左右

[zizon]

docker run 个 spark shell...

[ershierdu]

不了解最新的分布式架构，但感觉这也太符合 MapReduce 的思路了…

逻辑上：
1. 把文件扫一遍，得到 id->list[pair<content,sort>]的映射。
2. 单独为每个 id 的内容做内部排序。

实现上：
1.无论用什么方法，一轮文件 IO 把数据都进来都是需要的。为了后续处理更方便，再多加一轮 IO ，先把大文件按 1<id<10w, 10w+1<id<20w...切成多个小文件，这样每个小文件都是独立的，后续处理时维护的中间状态会少很多。
2. 每个小文件用一个进程处理，得到 id->list[pair<content,sort>]的中间结果。要么像楼上说的直接进数据库，要么每个 id 的内容放在一个文件里。一个小文件跑完后就可以从中间结果生成最终数据了。

并行度可以在切小文件的时候控制（每个小文件 10w 还是 100w 个 id ）。

前提：
你存放最终结果的数据库需要能承受这么大的最终数据，否则啥办法都白搭。

[zzl22100048]

可以先用 duckdb 试试

[ajaxgoldfish]

切片+逐行建索引。确实如楼上所说，不管干啥都得建立索引，然后读到内存里，在内存里操作快得多。硬盘还得够好，不然读一遍文件的时间就不是个小数。

[kernelpanic]

感谢各位，目前用的最快方法是：从已离职的同事电脑上找到了原始格式，没分段落的那种。。然后直接导入到数据库了。。。

[yifangtongxing28]

@kernelpanic 你这个回答，直接打脸楼上所有技术大佬哈哈

[sg8011]

果然什么技术优化都比不过人的优化吗