大数据分析

Question

我正试图分析大量的GitHub存档数据，但受到许多限制的困扰。在

所以我的分析需要我搜索一个350GB的数据集。我有一个本地的数据拷贝，还有一个拷贝可以通过googlebigquery获得。本地数据集被分成25000个单独的文件。数据集是事件的时间轴。在

我想画出每个存储库自创建以来的星数。（仅适用于目前超过1000英镑的回购）

我可以使用googlebigquery很快得到这个结果，但它每次“分析”13.6GB的数据。这就限制了我75个请求，而不必每增加75个就支付5美元。在

我的另一个选择是搜索本地副本，但在每个文件中搜索特定字符串（存储库名称）的时间太长。在我停止进程之前，我在一个SSD驱动器上花了一个多小时浏览了一半的文件。在

我有什么更好的方法来分析如此大量的数据？在

用于搜索所有本地文件的Python代码：

for yy in range(11,15):
                    for mm in range(1,13):
                        for dd in range(1,32):
                            for hh in range(0,24):
                                counter = counter + 1
                                if counter < startAt:
                                    continue    
                                if counter > stopAt:
                                    continue
                                #print counter
                                strHH = str(hh)
                                strDD = str(dd)
                                strMM = str(mm)
                                strYY = str(yy)
                                if len(strDD) == 1:
                                    strDD = "0" + strDD
                                if len(strMM) == 1:
                                    strMM = "0" + strMM
                                #print strYY + "-" + strMM + "-" + strDD + "-" + strHH
                                try:
                                    f = json.load (open ("/Volumes/WD_1TB/GitHub Archive/20"+strYY+"-"+strMM+"-"+strDD+"-"+strHH+".json", 'r') , cls=ConcatJSONDecoder)
                                    for each_event in f:
                                        if(each_event["type"] == "WatchEvent"):
                                            try:
                                                num_stars = int(each_event["repository"]["watchers"])
                                                created_at = each_event["created_at"]
                                                json_entry[4][created_at] = num_stars
                                            except Exception, e:
                                                print e
                                except Exception, e:
                                    print e

Google Big Query SQL命令：

^{pr2}$

我真的很为难，所以在这一点上的任何建议将不胜感激。在

Answer 1

如果大多数BigQuery查询只扫描数据的一个子集，则可以执行一个初始查询来提取该子集（使用“allowlargesults”）。然后针对小表的后续查询将花费更少的成本。在

例如，如果只查询type=“WatchEvent”的记录，则可以运行如下查询：

SELECT repository_owner, repository_name, repository_watchers, created_at
FROM [githubarchive:github.timeline]
WHERE type = "WatchEvent"

并设置目标表以及“允许大结果”标志。此查询将扫描整个13.6 GB，但输出只有1 GB，因此后续针对输出表的查询最多只收取1 GB的费用。在

这对你来说可能还不够便宜，但只是放弃了选择。在

Answer 2

我找到了解决这个问题的方法——使用数据库。我将360+GB JSON数据中的相关数据导入到MySQL数据库中并进行查询。以前每个元素3小时以上的查询时间变成了<；10秒。在

MySQL的设置不是最容易的，导入大约需要7.5小时，但是结果让我觉得值得。在