vb大数据处理技术问题

2014-07-02 01:58:33 655 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

VB 爬虫技术什么是爬虫爬虫，简单来说，就是一个能够自动获取网页数据的程序。它模拟了人类在浏览器中的操作，通过发送请求、接收响应，并对返回的数据进行解析和提取，从而获取我们所需的信息。例如，想象一下我们想要收集某个电商网站上所有商品的价格信息，或者获取某新闻网站上特定主题的文章标题和内容，这时候爬虫就派上用场了。阅读详情

我在前面提过这个问题
问题描述，从一个TXT文件取出所有身份证号码，身份证号码所在分割位置不一定

txt文件内容格式如下
"0100000000002013030003","姓名","","1","1963/10/13","1963/10/13","37062019631013301X","110108","地址地址在地址地址地址","110108",
"0201000009992012060001","姓名","","","1","1978/01/08","1978/01/08","120104197801086036","110106","地址地址在地址地址地址","11",
"1105280009992006030003",,"姓名","1","1978/01/08","1978/01/08","41280119770827231X","110106","地址地址在地址地址地址","11",
"1105280009992006030002",,"姓名","1","1978/01/08","1978/01/08","350181197808116571","110106","地址地址在地址地址地址","11",
"1105280009992006060011",,"姓名","1","1978/01/08","1978/01/08","350181198306105877","110106","地址地址在地址地址地址","11",
"1105280009992006060012",,"姓名","","","1","1978/01/08","1978/01/08","42070319840510277X","110106","地址地址在地址地址地址","11",
"1105280009992006090015",,"姓名","","","1","1978/01/08","1978/01/08","341623198605018311","110106","地址地址在地址地址地址","11",
"1105280009992006110018",,"姓名","1","1978/01/08","1978/01/08","410305690215031","110106","地址地址在地址地址地址","11",
"1105280009992006120019",,"姓名","1","1978/01/08","1978/01/08","410527700303295","110106","地址地址在地址地址地址","11",
.........
一行一条数据，总共有将近50W行数据，文件大小在14M多
身份证号码有15位 18位（虽然有逗号分隔，但是号码位置不固定的，分隔截取是完全拿不到的）
我用普通方式来逐行读取数据，用正则表达式可以提出号码，但是整个过执行完差不多在400秒

最后找到相关资料看到内存映射相关的技术，处理大文件比较快
对于这块资料网上基本都是介绍函数的时候没有具体的实例
也不知道用内存映射方式来出来这个文件效果如何？或者有其他什么方法

...全文

10X Genomics数据实战：手把手教你用Seurat处理单细胞PBMC数据（附完整代码）本文详细介绍了如何使用Seurat处理10X Genomics的单细胞PBMC数据，从数据获取、质控到降维分析和细胞分群的全流程。通过实战代码演示，帮助研究者掌握单细胞RNA测序数据分析的核心技术，提升对细胞异质性的理解。阅读详情

no000on

VB基础类 7,788 成员 197,583 内容

+ 关注 + 加入社区

切换为时间正序

no000on 2014-07-06

打赏
举报

引用 21 楼 Chen8013 的回复:

应该是不必用正则。你在19楼说的“没规律”那种， ①是不是每行只有一个身份证号码？ ②是不是每行一定有身份证号码？你还是可以发一个样本文档，给我看看。记住把文件压缩后再发。 ^_^

我先结贴，另外开一个帖子

舉杯邀明月 2014-07-06

打赏
举报

应该是不必用正则。

你在19楼说的“没规律”那种，
①是不是每行只有一个身份证号码？
②是不是每行一定有身份证号码？
你还是可以发一个样本文档，给我看看。
记住把文件压缩后再发。 ^_^

no000on 2014-07-05

打赏
举报

我的帖子只能加到100分

no000on 2014-07-05

打赏
举报

如果处理固定格式的文件速率真的比正则表达式快很多以前很少接触文件处理的业务这两天通过这些高人的热心指点学了不少东西上述方法只能处理固定数据格式如果格式不固定是不是又该返回用正则表达式了例如如下格式： "0100000000002013030003","姓名","","1","1963/10/13","1963/10/13","37062019631013301X","110108","地址地址在地址地址地址","110108", "120104197801086036","0201000009992012060001","姓名","","","1","1978/01/08","1978/01/08","110106","地址地址在地址地址地址","11", 37062019631013301X 110103197912110686,372924197403010316 511111196803261013 510321197711148336 41272219700612874X 文件格式没有一定规律，这样的话是不是得通过正则表达式来？

no000on 2014-07-05

打赏
举报

引用 15 楼 Chen8013 的回复:

Option Explicit

Private Sub Command1_Click()
   Const SEPSTR   As String = ""","""
      Dim strRlt() As String
      Dim strTemp As String
      Dim dTime   As Double
      Dim lNum    As Long
      Dim iFn     As Integer
      Dim i&, p&, ps&, pe&

   iFn = FreeFile()
   dTime = Timer()
   Open "E:\Tools\2.txt" For Input As #iFn
   Line Input #iFn, strTemp
   lNum = LOF(iFn) / Seek(iFn)
   ReDim strRlt(lNum)
   p = -1&: Seek iFn, 1
   Do
      If (EOF(iFn)) Then Exit Do
      p = p + 1&
      If (p > lNum) Then
         lNum = lNum + 160
         ReDim Preserve strRlt(lNum)
      End If
      Line Input #iFn, strTemp
      i = InStr(20, strTemp, "/")
      ps = InStr(i + 12, strTemp, SEPSTR) + 3
      pe = InStr(ps, strTemp, SEPSTR)
      strRlt(p) = Mid$(strTemp, ps, pe - ps)
   Loop
   Close
   Me.Print "耗时：" & Format$(Timer() - dTime, "0.00秒")
   Me.Print "提取数据：" & p + 1
   ' 结果检查：
   pe = -1&
   For i = 0 To p
      ps = Len(strRlt(i))
      If (ps <> 15& And ps <> 18&) Then
         Me.Print i + 1; "出错"
         pe = 0
      End If
   Next
   If (pe) Then Me.Print "数据检验合格。"
End Sub

楼主提供给我的样本文件 3.83MB，共15456条数据，我复制5倍，　共19.1MB、77280条数据。在我的一台配置比较差的办公电脑上，全部处理完仅1秒钟。单读取文件，约0.9秒。

这个确实牛X，20W行数据测试2秒完成

引用 9 楼 Tiger_Zhao 的回复:

1)读文件不无需优化（这个比较符合我的预期，系统和硬盘都有缓存，就算一个个字符读也不应该慢的，5楼那种“快很多”的情况前提不明确。） 2)输出优化自己做个类似 StringBuilder 的拼字符串功能，文本框只需赋值一次。 3)解析优化 a.正则需要看具体代码了 b.个人感觉这种特定规则的自己查找应该比正则快

Function GetID(sLine As String) As String
    Dim lLength     As Long
    Dim i1          As Long    '字段开始位置
    Dim i2          As Long    '字段结束的逗号位置
    Dim s           As String

    lLength = Len(sLine)
    If lLength = 0 Then Exit Function

    i1 = 1
    While i1 <= lLength
        i2 = InStr(i1, sLine, ",")
        If i2 = 0 Then i2 = lLength + 1

        If (i2 - i1) <= 2 Then GoTo NextField
        If Mid$(sLine, i1, 1) <> """" Then GoTo NextField
        If Mid$(sLine, i2 - 1, 1) <> """" Then GoTo NextField

        Select Case (i2 - i1 - 2)
            Case 15
                s = Mid$(sLine, i1 + 1, 15)
                If s Like "###############" Then
                    GetID = s
                    Exit Function
                End If
            Case 18
                s = Mid$(sLine, i1 + 1, 18)
                If s Like "#################[0-9X]" Then
                    GetID = s
                    Exit Function
                End If

        End Select

NextField:
        i1 = i2 + 1
    Wend
End Function

他的代码也已测试，同样的文件跟15楼Chen8013的方式运行时间不相上下

Tiger_Zhao 2014-07-04

打赏
举报

引用 11 楼 of123 的回复:

你用 Input 方式打开一个几 G 的文件试试就知道了。用 Binary 瞬间完成。

你确定你的计时程序是正常的？你确定你感觉的瞬间没有在秒这个数量级？ SATA2硬盘的理论传输速度是3Gbps(300MB/sec)，SATA3硬盘的理论传输速度是6Gbps(600MB/sec)。

CuiCanBin 2014-07-04

打赏
举报

首先说注意： 1. 如果在意性能问题，请勿用正则表达式。正则表达式可能比用自己的代码分析慢几十倍。只不过平时我们处理的量小，感觉不出来。 2. 最好不要用 ODBC 等过渡方式，因为你不能保证每台机都有相应 ODBC 的驱动。再说了，自己分析读取代码并不复杂，很简单。方法： 1. 14M 的大小在以前来说是很大，但针对现在的硬件来说很容易了。因此建议一次性读入 String 中，为了防止区域、中英文等问题，最好以二进制方式读取如下： Open strYourFileName For Binary As #intFreeFileNum 然后用 InputB 语句读入到字符串 2. 可以用 Instr 来逐个定位位置来解析出身份证；若想简单但，用 Split 拆分，先拆分回车换行，这样就得到了每一行的内容，然后对每一行再以逗号拆分，这样就得到每个具体元素了（姓名、日期、身份证等等）备注： 1. 如果是用 VB.NET，有逐行读取的方法，这样可以避免首次加载的长时间问题。 2. 如果还是觉得性能不够，可以用 C 写一个 DLL 来读取分析文件，然后开放给 VB，作为 COM 来调用。

yachong 2014-07-04

打赏
举报

看楼主贴的这几行，从左向右数身份证号位置不确定，从右向左数是固定的。

of123 2014-07-04

打赏
举报

你用 Input 方式打开一个几 G 的文件试试就知道了。用 Binary 瞬间完成。

Tiger_Zhao 2014-07-04

打赏
举报

正则对象适合多重复杂的匹配，使得代码能保持简洁。
但是易用性通常和效率成反比的。
身份证号这种匹配实在太简单了，没有用正则对象的必要。

又：VB 的 Like 运算因为支持的表达式很简单，速度和一般的字符串操着比并不慢。

舉杯邀明月 2014-07-04

打赏
举报

看来用正则，速度上是比较慢的啊。

舉杯邀明月 2014-07-04

打赏
举报

Option Explicit

Private Sub Command1_Click()
   Const SEPSTR   As String = ""","""
      Dim strRlt() As String
      Dim strTemp As String
      Dim dTime   As Double
      Dim lNum    As Long
      Dim iFn     As Integer
      Dim i&, p&, ps&, pe&

   iFn = FreeFile()
   dTime = Timer()
   Open "E:\Tools\2.txt" For Input As #iFn
   Line Input #iFn, strTemp
   lNum = LOF(iFn) / Seek(iFn)
   ReDim strRlt(lNum)
   p = -1&: Seek iFn, 1
   Do
      If (EOF(iFn)) Then Exit Do
      p = p + 1&
      If (p > lNum) Then
         lNum = lNum + 160
         ReDim Preserve strRlt(lNum)
      End If
      Line Input #iFn, strTemp
      i = InStr(20, strTemp, "/")
      ps = InStr(i + 12, strTemp, SEPSTR) + 3
      pe = InStr(ps, strTemp, SEPSTR)
      strRlt(p) = Mid$(strTemp, ps, pe - ps)
   Loop
   Close
   Me.Print "耗时：" & Format$(Timer() - dTime, "0.00秒")
   Me.Print "提取数据：" & p + 1
   ' 结果检查：
   pe = -1&
   For i = 0 To p
      ps = Len(strRlt(i))
      If (ps <> 15& And ps <> 18&) Then
         Me.Print i + 1; "出错"
         pe = 0
      End If
   Next
   If (pe) Then Me.Print "数据检验合格。"
End Sub

Tiger_Zhao 2014-07-03

打赏
举报

1)读文件不无需优化
（这个比较符合我的预期，系统和硬盘都有缓存，就算一个个字符读也不应该慢的，5楼那种“快很多”的情况前提不明确。）
2)输出优化
自己做个类似 StringBuilder 的拼字符串功能，文本框只需赋值一次。
3)解析优化
a.正则需要看具体代码了
b.个人感觉这种特定规则的自己查找应该比正则快

Function GetID(sLine As String) As String

    Dim lLength     As Long

    Dim i1          As Long    '字段开始位置

    Dim i2          As Long    '字段结束的逗号位置

    Dim s           As String



    lLength = Len(sLine)

    If lLength = 0 Then Exit Function



    i1 = 1

    While i1 <= lLength

        i2 = InStr(i1, sLine, ",")

        If i2 = 0 Then i2 = lLength + 1



        If (i2 - i1) <= 2 Then GoTo NextField

        If Mid$(sLine, i1, 1) <> """" Then GoTo NextField

        If Mid$(sLine, i2 - 1, 1) <> """" Then GoTo NextField



        Select Case (i2 - i1 - 2)

            Case 15

                s = Mid$(sLine, i1 + 1, 15)

                If s Like "###############" Then

                    GetID = s

                    Exit Function

                End If

            Case 18

                s = Mid$(sLine, i1 + 1, 18)

                If s Like "#################[0-9X]" Then

                    GetID = s

                    Exit Function

                End If



        End Select



NextField:

        i1 = i2 + 1

    Wend

End Function

赵4老师 2014-07-03

打赏
举报

为什么不直接InputB到一个String变量中，然后用正则表达式提取呢？

no000on 2014-07-03

打赏
举报

引用 6 楼 Tiger_Zhao 的回复:

这样拍脑袋假象的分析，真不靠谱！ A: 全程400秒 B: 只解析不输出，多少时间？ C: 只读文件不解析，多少时间？判断哪部分最花时间，在考虑如何优化。

我用NtReadFile ，OpenFile读取文件内容，用了17M文本文件测试只读不输出基本都在15-30毫秒左右输出到文本框在600-1500毫秒处理数据这块消耗时间比较长

no000on 2014-07-03

打赏
举报

引用 9 楼 Tiger_Zhao 的回复:

Function GetID(sLine As String) As String
    Dim lLength     As Long
    Dim i1          As Long    '字段开始位置
    Dim i2          As Long    '字段结束的逗号位置
    Dim s           As String

    lLength = Len(sLine)
    If lLength = 0 Then Exit Function

    i1 = 1
    While i1 <= lLength
        i2 = InStr(i1, sLine, ",")
        If i2 = 0 Then i2 = lLength + 1

        If (i2 - i1) <= 2 Then GoTo NextField
        If Mid$(sLine, i1, 1) <> """" Then GoTo NextField
        If Mid$(sLine, i2 - 1, 1) <> """" Then GoTo NextField

        Select Case (i2 - i1 - 2)
            Case 15
                s = Mid$(sLine, i1 + 1, 15)
                If s Like "###############" Then
                    GetID = s
                    Exit Function
                End If
            Case 18
                s = Mid$(sLine, i1 + 1, 18)
                If s Like "#################[0-9X]" Then
                    GetID = s
                    Exit Function
                End If

        End Select

NextField:
        i1 = i2 + 1
    Wend
End Function

我试试你这个方法，回头告诉结论我先说说我自己方法测试的结果 17M文件 13W多数据 NtReadFile ，OpenFile用这个两个函数读取文件内容优化了一下正则表达式将数据加载到listview用时5秒左右 6M文件 20W多数据同样的操作用了10秒多处理文件看来跟文件的大小没有关系

Tiger_Zhao 2014-07-02

打赏
举报

这样拍脑袋假象的分析，真不靠谱！

A: 全程400秒
B: 只解析不输出，多少时间？
C: 只读文件不解析，多少时间？
判断哪部分最花时间，在考虑如何优化。

of123 2014-07-02

打赏
举报

用 Input 方式打开，大文件载入就需要较长时间。我以前做过大文件数据提取和格式转换的工作，是采用 Binary 方式打开，每次取入 4096 或更多字节数据。用 Byte 数组读入，用 StrConv 函数转成字符串。你也可以试试。这样做的好处是，你可以采用 Globe 方式用正则表达式在一个大块中找到多个身份证号码。需要解决的问题是，你每次截取的数据很可能不是整行的结尾。因此，你需要从反向找到换行符，截掉后面的尾巴，连接到下一块的前头。我以前的任务，采用这样的方式，处理几个 G 的数据，比 Input 方式快很多。

no000on 2014-07-02

打赏
举报

引用 2 楼 sysdzw 的回复:

ODBC Standard: "Driver={Microsoft Text Driver (*.txt; *.csv)};Dbq=c:\txtFilesFolder\;Extensions=asc,csv,tab,txt;" OLE DB Standard: "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=c:\txtFilesFolder\;Extended Properties=""text;HDR=Yes;FMT=Delimited"""

数据库引擎已经试过了，不行的

舉杯邀明月 2014-07-02

打赏
举报

楼主，你用附件的形式，
发个样本文件到我邮箱里，
我试一下有没有别的方法。
你这样贴出来的，我在手机上看着不方便。

加载更多回复（2）

vb大数据处理技术问题

相关推荐