社区
Web 开发
帖子详情
mysql海量数据出力CSV
shililu
2013-10-14 03:27:23
1.需出力的数据时海量的。可以说如果用一次查询的话,都可能报异常
2.海量数据出力,要考虑的问题就是效率问题
我的疑问是。是否可以用多线程去跑,一个线程负责去取数据,一个线程取写数据。比如:一个线程取取一个不至于内存溢出的数据,另一个把取的数据写人CSV.是否可以。
在次,写数据时,是在一个CSV中操作了,还是等完成之后,在合并取的多个数据。
...全文
359
7
打赏
收藏
mysql海量数据出力CSV
1.需出力的数据时海量的。可以说如果用一次查询的话,都可能报异常 2.海量数据出力,要考虑的问题就是效率问题 我的疑问是。是否可以用多线程去跑,一个线程负责去取数据,一个线程取写数据。比如:一个线程取取一个不至于内存溢出的数据,另一个把取的数据写人CSV.是否可以。 在次,写数据时,是在一个CSV中操作了,还是等完成之后,在合并取的多个数据。
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
7 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
失落夏天
2013-10-25
打赏
举报
回复
无论多少个线程,用的都是同一块内存。。 如果你觉得一次全读出来溢出的话,那么就像楼上说的,一部分一部分的读, 反正数据库是有id的,根据id由小到大分批取
shililu
2013-10-25
打赏
举报
回复
你怎么知道啊。哎。你呢
sunbo624
2013-10-18
打赏
举报
回复
你是做对日开发的?
shililu
2013-10-17
打赏
举报
回复
回复于: 2013-10-15 12:18:08 可以分批去做啊。 先读取5kw写完之后,在写5kw这样的 分批 ,那怎么提高效率
shililu
2013-10-17
打赏
举报
回复
你是说开一个读线程,在开一个写线程吗。
无敌小二傻
2013-10-15
打赏
举报
回复
可以分批去做啊。 先读取5kw写完之后,在写5kw这样的
呼啸
2013-10-15
打赏
举报
回复
海量数据的话,可以开两个线程。分别负责读写。应该是可行的 在一个CSV中操作好了。
【专家亲授】智能电网
数据
分析模型构建全流程:从采集到决策
本文系统讲解了智能电网中从
数据
采集到决策支持的
数据
分析模型构建过程。涵盖多源
数据
采集、边缘计算部署、时序
数据
清洗、负荷聚类与预测、故障诊断及可视化展示,并介绍PCA、K-means、LSTM等关键技术的应用,强调
数据
质量、安全传输与闭环决策集成,为电力智能化提供完整技术路径。
光伏电站功率预测实战:从物理诊断到XGBoost建模
本文基于两个真实光伏电站15分钟级运行
数据
,系统阐述功率预测的工程化落地路径。核心聚焦物理约束解析(辐照度、组件温度、DC功率耦合关系)、异常检测(基于假设检验的模块劣化量化)、以及三类模型(SARIMA、XGBoost、CNN-LSTM)的实操对比。重点论证XGBoost在小样本、强物理场景下的优势,源于其对辐照突变、温度滞后和设备启停的鲁棒性,以及可解释的特征重要性(如辐照效率比、功率波动率)。强调预测必须服务于运维决策,而非单纯数值拟合。
基于风光储能和需求响应的微电网日前经济调度(Python代码实现)
内容概要:本文系统介绍了基于风光储能和需求响应的微电网日前经济调度模型的Python代码实现方法,深入探讨了如何整合风能、太阳能、储能系统及需求响应等多种资源,构建综合优化调度模型。文章详细阐述了模型的构建逻辑、目标函数设计、约束条件处理及求解算法实现过程,重点解决了可再生能源
出力
不确定性与负荷波动带来的调度挑战。通过Python编程实现了完整的调度仿真,提供了详尽的代码示例与实验结果分析,验证了该方法在降低运行成本、提高能源利用效率方面的有效性与实用性。; 适合人群:具备一定Python编程基础和电力系统专业知识的科研人员、电气工程领域工程师及高校研究生。; 使用场景及目标:①深入理解微电网经济调度的核心原理与建模技术;②掌握利用Python进行电力系统优化问题的编程实践与仿真分析技能;③为相关科研课题或实际工程项目提供可复用的技术方案与代码支持。; 阅读建议:读者应在学习过程中结合所提供的完整代码实例,亲自运行并调试程序,深入剖析各功能模块的实现细节,理解优化模型与算法的内在机制,并可根据具体应用场景对模型进行扩展与改进。
冲压线机器人上下料方案.rar
冲压线机器人上下料方案.rar
深度学习基于Qwen3-1.7B的大模型商品十分类微调全流程:从环境配置到VLLM高性能部署实践
内容概要:本文系统介绍了基于LlamaFactory框架对大语言模型Qwen3-1.7B进行LoRA微调以实现商品十分类任务的完整流程,涵盖环境搭建、
数据
预处理、模型微调、性能评估与Badcase分析,以及使用vLLM进行推理加速部署的全过程。通过DeepSpeed技术实现训练加速,并结合实际分类效果进行准确率分析,将模型原始准确率从59.6%提升至91.3%,显著优化分类表现。同时针对低召回率类别(如冷藏即饮果汁)开展Badcase分析,定位训练
数据
不足问题并提出增量训练改进方案。最后通过vLLM部署实现推理性能大幅提升,批处理时间由54秒缩短至22秒。; 适合人群:具备一定深度学习与自然语言处理基础,熟悉Python编程和Linux环境,从事AI算法研发或模型优化工作的工程师及研究人员,尤其适合有大模型微调与部署需求的从业者; 使用场景及目标:①掌握基于LoRA的大模型高效微调方法;②学习如何利用DeepSpeed加速训练过程;③提升分类任务准确率与召回率的调优策略;④实现高性能推理部署与端到端模型优化闭环; 阅读建议:建议结合代码实践操作,重点关注
数据
构造、参数配置、Badcase分析与推理部署环节,深入理解微调机制与性能瓶颈优化思路,配合日志与评估指标迭代改进模型。
Web 开发
81,110
社区成员
341,722
社区内容
发帖
与我相关
我的任务
Web 开发
Java Web 开发
复制链接
扫一扫
分享
社区描述
Java Web 开发
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章