大家好，我是道哥。今天，我们不聊饭桶，也不聊水桶，而是来聊重要的桶排序，我们先来看一个经典的问题。 武林大会 武林人员的武功值都在[0, 100]之间，具体值如下所示。试对他们的武功值进行排序。...很显然，由于内存有限，又是海量数据，所以没法把所有的数据一次加载到内存中，一些常规的排序方法无法达到排序目的。...可以看到，桶排序很适合处理海量数据排序问题。...这是典型的海量数据的中位数问题，在各种笔试面试中也是经常碰到，我们当然可以采用桶排序来处理。 然而，完全不必要如此。目的是找中位数，压根不需要对所有文件桶中的数据进行排序。...根据每个文件桶内实际数据的多少，我们可以计算出中位数在哪个文件桶，然后可以对这个文件桶进行排序一下就行。 桶是一种分而治之的思想，化大为小，在处理海量数据问题时，尤其有优势。
本地有一个小的环境，今天照例登上sqlplus，突然发现报了如下的错误。一看原来归档满了。我记得前几天做一个批量操作临时把temp文件resize了很大，限于本地空间有限。准备改回去。...把多余的归档删除了。 sqlplus n1/n1 .... ERROR: ORA-00257: archiver error....这个时候sysdba的权限发挥作用了，它可以照常登录。然后开始做resize操作。...我想是不是有系统级的问题了。 决定重启 ，重启以后，Mount状态过后就很不留情的报了一个03113的错误。 SQL> startup ORACLE instance started....Instance terminated by USER, pid = 8220 因为是测试环境，所以采用了如下的方法，启动到Mount阶段之后 SQL> startup mount ORACLE instance
所谓好的用户体验 由 Ghostzhang 发表于 2012-07-16 19:20 怎样的用户体验才是好的用户体验呢？...好像有点跑题了，这次的思考是：并不是所有关注用户感受的体验就叫做是“好”的用户体验。 从何而来这想法呢？...上面的唠叨是一个引子，结果就是＂不能赚钱的交互不是好交互＂，简单的说就是好的交互可以赚钱，可是不好的用户体验也是能赚钱的。...但是从商家的角度来说，我们需要考虑几个因素，第一个就是成本，这个是直接决定了能给用户提供最佳体验的上限到哪，好的椅子意味着更高的成本；其次是投入产出比，开门做生意，不为赚钱是很少的，投入越多，意味着盈利周期可能越长...不要只关注当前需求的好坏，随时收集数据，为以后的优化做准备。要说服产品经理最好的方法是用数据，但不是所有的东西都是一开始就有数据的，需要不断的尝试、积累。
提出论点 好的研究想法，兼顾摘果子和啃骨头。...两年前，曾看过刘知远老师的一篇文章《好的研究想法从哪里来》，直到现在印象依然很深刻，文中分析了摘低垂果实容易，但也容易撞车，啃骨头难，但也可能是个不错的选择。...学生年代，作为老师的一个不成器弟子，学术上没有什么建树，幸运的毕了业。现如今到了工业界摸爬滚打，虽然换了个环境，但是发现生存的道理没变。 反面例子 不好的工作想法会加剧“卷”的用户体验。...这样的工作体验确实很糟糕。 我的触发点 沿着你造梦的方向先动手干起来。一年前刚开始决定做攻击者画像的时候，其实心里有底也没底。...引用 好的研究想法从哪里来 杜跃进：数据安全治理的基本思路 来都来了。
本文将带来直播回顾第五篇《银行核心海量数据无损迁移：TDSQL数据库多源异构迁移方案》。...，也介绍一些好的用法和场景; l 四是针对本章节内容进行总结。...事实上，作为国产自研的成熟的分布式数据库产品，TDSQL对内稳定支撑腾讯海量计费业务，对外开放5年来也通过云服务为微众银行等超过600家金融政企机构提供高性能、高可用、高可靠、强一致的分布式数据库服务。...当然，除了支持数据库迁移，多源异构迁移方案也支撑数据汇总、分发等业务场景，这也是TDSQL具备完善的产品服务体系的体现。...接下来，我们如何确定主机从哪里开始解析日志？我们会从消息队列上读取最后一条消息——最后一条消息包含GTID的信息。
在10g开始的新特性中，外部表是一个不容忽视的好工具。...对于大型项目中海量数据使用sqlloader是一种全新的方式，不过很明显,sqlloader的可扩展性更强，但是基于oracle平台的数据迁移来说，外部表的性能也不错。...对于数据迁移来说也是一个很好的方案。...使用外部表来做数据迁移，可以“动态”加载数据，能够很方便的从数据库中加载数据，对于数据校验来说就显得很有优势了，而对于sqlloader来说，可能得等到数据加载的时候才知道是不是有问题，如果对于数据的准确性要求极高...还有关于数据类型，对于clob,blob的加载，大家都比较头疼，在sqlloader中可能需要做一些额外的工作，来外部表中就和操作普通的表没有什么区别。 先来说说数据抽取的部分。
TDSQL-A有四个主要特点： 无共享MPP能实现无共享的存储，还可以实现线性的扩展； 在存储层面，通过自研列存储技术，能够做到行列混合存储； 在数据库规模方面，实现了超大规模集群的支持； 为了让客户有更好的体验...但随着腾讯业务的扩张，我们发现单机的数据库已经无法支撑相关业务的数据量及请求量，就萌生了开发分布式数据库的想法。在2013年我们启动了第一个版本的开发。...一是随着5G和loT时代的到来，数据呈现爆炸式的增长。单个数据库集群里面需要处理的数据的容量很容易就达到10PB级别的大小。这对传统的数据仓库及数据库来说，是一个非常有挑战的数据规模。...二是随着数据量的增大，我们需要处理的数据库业务以及各种类型的终端越来越多，对数据库的并发要求比之前更高了。我们最多的时候甚至需要处理数千个OLAP的并发。...1 TDSQL-A后续规划 TDSQL-A的后续规划分为两部分： 一方面是陆续将目前基于PG10的版本，merge到PG11、PG12、PG13等更高版本，持续地跟进社区版本丰富的特性，来提升用户的体验
有这么一种迁移海量文件的运维场景：由于现有网站服务器配置不够，需要做网站迁移（就是迁移到另一台高配置服务器上跑着），站点目录下有海量的小文件，大概100G左右，图片文件居多。...目测直接拷贝过去的话，要好几天的时间。那么问题来了，这种情况下的网站数据要怎么迁移呢？另外，此网站还在运行中，白天是断然不能停止了，只能运行深夜停掉几个小时。...并迁移网站代码。 2.如果网速快，网络稳定，可以考虑tar打包(压缩)后传输。不过打包后，要在一个停站周期内完成迁移，对于100G的量的文件传输，这种方法不太靠谱。...3.可以分块打包，比如根据图片大小适当的分块筛选(find)打包，然后再传输。 4.如果数据不重要，通过HTTP(wget)传输会更快些。...操作思路： 直接用rsync把文件一个一个的迁移过去，因为文件数量比较大，如果一下子在循环脚本里操作，会非常慢。 所以决定用分批操作，采用化整为零的方法。
在优化的过程中，就涉及到了迁移的问题。 一般来说，业界针对升级和迁移，会提供热迁移和冷迁移两种方案： 冷迁移：冷迁移需要对数据库先进行停机，等迁移完成后，再重启数据库。...云开发作为基础服务提供商，是无法进行冷迁移的，因此，对于云开发来说，思考如何在现有的架构基础之上做好热迁移势在必行。 想要对云开发的数据库进行热迁移，首先，需要理解云开发数据库的底层架构。...在了解了云开发底层的数据库架构以后，就可以来讨论迁移的具体实现。...热迁移的基础是数据库底层的迁移能力，而数据库底层的迁移分为三个状态： 数据同步：对快照和数据库的 oplog 进行拷贝和追踪； 数据割接：在 oplog 几乎追上时，进行数据割接； 目标集群可用：完成割接后...通过上述操作，即可成功的完成云开发数据库的热迁移。值得注意的是，在割接过程中，被迁移数据库的连接池是被 block 住的，直到割接流程结束，因此，整个割接的过程需要尽可能的短，以免影响用户请求。
在人们还没有搞明白大数据的情况下，又出现了一个海量数据，海量数据与大数据的关系是什么，他们有什么关联吗？还是大数据的升级版才是海量数据，今天来聊一下海量数据与大数据的关系吧！...所谓的大数据其实比海量数据稍微升级了一点点，大数据其实就是把海量数据按一定的方法将其分解，再对其分解的每一个数据进行逐一的解决，并分别找出其结果，再组成最终的结果。...2、海量数据与大数据的关系 海量数据与大数据的关系其实是相互的，海量数据可以包含在大数据里面，同样大数据也可以包含在海量数据里面。...海量数据需要找合适的数据来进行计算时，大数据也可以将海量数据分解并帮助其计算完成。所以海量数据与大数据的关系是相互的，在对方有困难的时候都会伸出手来帮助，海量数据与大数据的关系一定是不错的。...海量数据与大数据通俗的说就是，海量数据有时候不能一个人完成的事情会找帮手一起完成，而大数据则是喜欢把一个大任务分解成多个小任务再逐一完成。
对于数据迁移来说，无论准备工作准备的多么充分，在测试和正式生产环境中，心里还是会对冲突的数据有一些疑虑，心里感觉没底，因为生产的数据也是在不断变化的，要迁移的数据也在做相应的改动，在这样的环境中，其实数据抽取的工作还是顾虑比较少的...，只要侧重考虑性能的提升，而在于数据加载的过程中，如果出现主键冲突的字段，不仅会严重拖慢加载的速度，关键对于这些数据的处理，让开发和dba都很头疼，开发需要dba来提供详尽的信息，dba则需要多个team...可能会有一些紧急的数据更改任务，数据的稽核等等。。 对于主键相关的数据排查，如果在数据迁移前能够发现，是最好的了，这样可以极大的减少dba的工作量。...个人就是在这种窘境中这样设想了一个方法，首先通过查询主键信息，得到主键索引相关的列，然后通过Intersect来查询那些主键字段的数据在生产和迁移库上有冲突，这个过程可以创建一个临时的用户来加载外部表，...排查的过程中因为走了索引扫描，所以查询比较的时候速度还是比较可观的。 基本思路就是通过如下的sql语句来找到冗余的数据。
在之前的博文中分享了关于数据抽取流程的一些思路，整体来说，数据的抽取是辅助，数据的加载是关键。加载的过程中每一步需要格外关注，稍有偏差就可能造成数据的损坏或者丢失。...把一些潜在的数据冲突问题提前发现，提前修复，如果在大半夜的数据加载中发现了问题，再去修复似乎就晚了很多，而且带着疲惫去尝试修复数据真实苦不堪言。 右边的图是数据加载的一个流程图。...通过比较只读用户（即目标数据）和外部表用户中的外部表数据(源数据)，可以灵活的匹配主键列，非唯一性约束列可以很有效的进行数据的冗余比较。...有了这种方式，在多次的数据迁移中，都可以在数据加载前提前进行数据检查。着实让人放心不少，对于提升自信心是很有帮助的。一旦发现了数据问题，就可以及时发现，提前发现，让专门的团队及时修复数据。...至于最关键的数据加载，就是外部表用户和目标数据用户之间的数据关联了。可以通过insert append的方式进行数据的导入。可以根据数据情况进行切分粒度的控制。
在之前的一些博文中花了大篇幅介绍了采用外部表抽取的一些细节，可能细节到了，基本原理的内容还希望再补充补充。...采用外部表抽取数据的流程图如下： 大体标注了一下抽取的基本结构，我们会尽量保证不去碰原本的数据源，会创建两个临时的用户，一个是只读用户，这个用户上只有同义词，只具有数据源中的select权限。...这就对应上面红色标注的1，而另外一个用户是外部表用户，所有通过创建外部表都会在这个用户下进行，生成了dump文件之后，我们可以随时删除外部表，这个时候为了保证相关的drop操作不会牵扯到数据源，外部表用户会继承只读用户中的...当开始抽取数据的时候，会去查找是否有权限读取数据，会找到只读用户，最终能够读取数据源的数据，这就对应红色标注的3,4 当满足了基本的条件，就开始生成外部表的dump，可以为一个表生成多个dump，而且这个过程是并行的...，这就对应红色标注的5 对于步骤5，是抽取的关键，基本的原理可以参考下面的伪代码，黄色标注的重点部分。
发现问题 前期做规范的过程是十分痛苦的，每做一个板块都要花很多时间去思考怎么表达、展示才能让其他设计师和程序员都一目了，然而随着内容的增加，发现很多地方无法深入的执行下去，只能含糊其辞，给我们制作规范的人员带来了很大苦恼...为什么有如此大的执行阻碍呢？带着问题我们找到团队的一位设计前辈请教了一番，在前辈的指点下，终于发现了问题所在:我们对于前端如何实现设计稿其实并没有很好的了解。...图1-1是XX项目的所有关于二级导航的样式，因为这一块的界面不是我做的（都是借口），所以规范不太了解，导致在做整个项目的规范时，遇到了极大的阻碍。...而第一个容器内的绿色和蓝色部分（间距）也是固定的，所以只有红色区域是可变化的，因为红色区域的文字个数是可以变化的，我们只要给出字体大小即可。...任何事情都有其内在的套路与规律，我们必须要了解事物的本质，才能帮助我们更好的执行；所有的苦恼与迷茫都是源自你对事物的理解不够透彻，所以让我们从现在开始，锻炼透过事物看本质的思维能力，就算以后你不做设计了
背景 分页应该是极为常见的数据展现方式了，一般在数据集较大而无法在单个页面中呈现时会采用分页的方法。...各种前端UI组件在实现上也都会支持分页的功能，而数据交互呈现所相应的后端系统、数据库都对数据查询的分页提供了良好的支持。...然而万事皆不可能尽全尽美，尽管上述的数据库、开发框架提供了基础的分页能力，在面对日益增长的海量数据时却难以应对，一个明显的问题就是查询性能低下！...小结 随着物联网，大数据业务的白热化，一般企业级系统的数据量也会呈现出快速的增长。而传统的数据库分页方案在海量数据场景下很难满足性能的要求。...在本文的探讨中，主要为海量数据的分页提供了几种常见的优化方案(以MongoDB作为实例)，并在性能上做了一些对比，旨在提供一些参考。
2、海量数据: 存储与查询痛点2.1 存储成本: 存储量大，SSD价格高昂一份数据在ES的存储通常是Hive的2～4倍（单副本对比），存储膨胀系数非常大；且ES的底层存储基本使用SSD磁盘，存储成本相当昂贵...二、统一存储字段由于ES使用SSD存储介质，在海量数据的场景中存储成本十分高昂。本章节对ES的存储和数据进行分析，寻求优化的突破口。...数据的字段数越多，字段名字符数越多。在海量的ES数据量情况下，冗余存储的字段名数据就会越大。根据不同的data、schema特点，字段名的存储能占行存文件的10%~40%不等，这是存储的冗余浪费。...3.1.3 海量数据存储瓶颈ES集群规模节点数不宜过多，会导致元数据过多导致集群不稳定。在海量的非检索数据的存储中，单集群规模变得非常庞大，集群健康度会下降，甚至一个集群根本无法容纳如此海量的数据。...针对频繁的大批量数据拉取场景，可以考虑使用nosql数据库来实现海量数据集的实时读写，代表产品有列存数据库、kv数据库、对象存储等。本文主要介绍列存数据库结合ES构建二级索引的优化。
那么什么才是好的想法呢？我理解这个”好“字，至少有两个层面的意义。 学科发展角度的”好“ 学术研究本质是对未知领域的探索，是对开放问题的答案的追寻。...好的研究想法从哪里来 想法好还是不好，并不是非黑即白的二分问题，而是像光谱一样呈连续分布，因时而异，因人而宜。...那么，好的研究想法从哪里来呢？我总结，首先要有区分研究想法好与不好的能力，这需要深入全面了解所在研究方向的历史与现状，具体就是对学科文献的全面掌握。...即将研究问题与其他任务建立类比联系，调研其他相似任务上最新的有效思想、算法或工具，通过合理的转换迁移，运用到当前的研究问题上来。...看最近的BERT、GPT-2，我理解更多的是将深度学习对大规模数据拟合的能力发挥到极致，在深度学习技术路线基本成熟的前提下，大公司有强大计算能力支持，自然可以数据用得更多，模型做得更大，效果拟合更好。
在海量的数据迁移中，如果某个表特别大，可以考虑对表中的分区进行切分，比如某个表有100g,还有100个分区，那么可以考虑针对这100个分区，那么可以考虑把这100个分区看成100个表进行并行抽取，如果某个分区数据比较多...如何对这上千个dump进行最快的加载呢。 可以考虑基于分区的并行切分，里面可能还涉及一些算法的知识。 目前生成了如下的数据报告，我们需要基于这个报告来对如下的表/分区进行切分。...REEMENT这个表不是分区表，所以在分区信息的地方填写了默认值'x',在数据加载的时候会进行过滤。...在数据加载的时候就可以先加载21号dump，然后22号dump,23号dump MEMO partition(P0_A1000_E3) 3 21..23 MEMO partition(P0_A1000...使得启用的多个并行进程能够最大程度的达到平衡。 我们可以使用如下的脚本来进行表、分区的并行切分。 比如我们考虑启用6个并行的进程，生成的日志类似下面的形式。可以看到切分还是很均匀的。
在之前的章节中分享过一些数据迁移中并行抽取的细节，比如一个表T 很大，有500G的数据，如果开启并行抽取，默认数据库中并行的最大值为64，那么生成的dump文件最50多为64个，每个dump文件就是7.8G...，还是不小，况且在做数据抽取的时候，资源被极大的消耗，如果资源消耗紧张，可能可用的并行资源还不到64个。...生产中500G的大表肯定是做了分区操作，而且分区数可能还比较多。我们就设定为100个吧。 分区表的数据基本都是分散在各个分区的，考虑数据的不均匀分布，那么每个分区的数据可能在5~10G吧。...参照这个思想，假设开启并行，比如200M为一个基准点来切分分区表，比如分区表的某个分区含有5G的数据，那么需要开启25个并行即可，文件就会被切分为200M的很多细粒度的dump文件。...目前我设定的基准为1G，比如一个分区表T，大小在1.5G,那么可以考虑开启分区+并行，如果分区表的大小为500M，那么就可以不用考虑使用分区+并行了，因为在每个分区中的数据可能相对比较少。
由于企业数据体积庞大，因此如果依靠一般的互联网上传备份数据的话，那么将消耗大量的时间。...据介绍，亚马逊在收到来自客户的公司数据云备份申请之后就会派AWS Snowmobile卡车开到其数据中心，并通过光纤连接将其硬盘驱动器连接到客户公司数据中心迁移，一辆卡车可以携带高达100亿字节（即100...万GB）的数据，将其再开回Amazon的数据中心，并上传到云存储当中。...亚马逊指出，虽然使用卡车搬运数据的方式看起来很不互联网，但却是应对海量数据上传时最切实际的做法。目前，即使使用光纤连接，上传100PB的数据将需要20多年时间。...不过这项服务的花费也并不便宜，费率从每GB数据0.005美元起。一辆满载数据的Snowmobile卡车，客户大约需要支付50万美元。而针对那些数据量较小的客户，亚马逊还支持客户直接将数据硬盘进行寄送。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
