请教一个关于PHP大数组去重的问题

gilper 2015-01-20 04:28:57

请教一个问题，关于PHP大数组操作，一张表有几百万的数据要拿到PHP数组中做去重操作：
例如：id 性别身份证三个字段，需要统计男女各有多少人（有其它特定逻辑，不能在MySQL中去重）
实现方法：id是自增的，每次按id取5w条数据，拿到一个数组中做去重操作
$count = array(
'男' => array(
'身份证1' => 1，
'身份证2' => 1,
....
),
'女' => ...
);
最后看男女下共有多少个身份证即为去重后的数据
问题：随着数组越来越大，去重速度也越来越慢，不知道有没有其它解决方案或者优化方法，来请教一下，thx！

...全文

277 点赞收藏 17

写回复

17 条回复

切换为时间正序

当前发帖距今超过3年，不再开放新的回复

发表回复

xuzuning 2015-01-22

再说，如果这样：所有游戏-魔兽世界_1服或所有游戏,魔兽世界_1服也就不会单列出来的或者说是不在 play_game 中加入 0服、1服同样都不会将 0服、1服单列出来

回复赞

xuzuning 2015-01-22

0服只是表示游戏的来源，与游戏本身无关从而也可看出你的数据组织是有问题的你把魔兽世界-0服和魔兽世界-1服当做 2 个游戏处理，本身就是不妥当的

回复赞

gilper 2015-01-22

引用 12 楼 xuzuning 的回复:

不可能混淆的，相同的 id 才是一组

最后统计结果以game为key 按游戏查看数据都叫0服比较麻烦~

回复赞

gilper 2015-01-22

最初设计是无限级数据查看的时候可能要看到某个服的统计情况

回复赞

智商众筹 2015-01-22

怎么能把所有游戏-wow-1服存在一个字段里呢~ 我是建议添加几个字段，将它拆开保存，然后在mysql上排重

回复赞

qq_24444439 2015-01-21

可以合并数组array_merge 然后去重array_unique 不知道速度如何毕竟没用那么大数组过，可以测试一下

回复赞

gilper 2015-01-21

字段：id time uid game channel system screen network 1　1421812389　10000　所有游戏-魔兽世界-0服　 360-360联盟　WIN7　1024x768　电信 2　1421812389　10001　所有游戏-魔兽世界-1服　网易-网易联盟　XP　1366x768　联通 3　1421812389　10000　所有游戏-魔兽世界-0服　 360-360联盟　WIN7　1024x768　电信比如统计各个游戏各个渠道的操作系统分布按game-channel-system去重，其中game和channel都需要分解出不同level，在不同level中去重，如“所有游戏-魔兽世界-0服”需在所有游戏、魔兽世界、0服这三个level中去重，所以第一条game和channel拆解完就变为3X2=6条

回复赞

xuzuning 2015-01-21

你贴个表结构有什么用？你该贴些示例数据，并说明不能在数据库里处理的理由一个数组元素至少要占用 80 个字节内存，所以是不划算的

回复赞

gilper 2015-01-21

CREATE TABLE `play` ( `id` int(10) unsigned NOT NULL AUTO_INCREMENT, `time` time NOT NULL, `uid` int(10) unsigned NOT NULL, `game` varchar(255) NOT NULL', `channel` varchar(255) NOT NULL, `system` varchar(255) NOT NULL, `screen` varchar(255) NOT NULL, `network` varchar(255) NOT NULL, PRIMARY KEY (`id`), KEY `datetime` (`time`) ) ENGINE=InnoDB 高峰的时候数据有几千万+这样，比如上面是部分字段，需要对game-channel-system、game-channel-screen、game-channel-network做去重，其中game和channel类似于“所有游戏-魔兽世界-1服”的结构，需要分解出“1服”、“魔兽世界”、“所有游戏”，在这三个level内分别去重。

回复赞

xuzuning 2015-01-21

不可能混淆的，相同的 id 才是一组

回复赞

gilper 2015-01-21

其实"所有游戏-魔兽世界-0服"会分解出“所有游戏”、“所有游戏-魔兽世界”、“所有游戏-魔兽世界-0服” 单单0服可能会和其他游戏的0服重复，不过思路有了，回头试试，thx

回复赞

xuzuning 2015-01-21

我们按你给出的数据做一个测试

drop table if exists play;

CREATE TABLE `play` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `time` int(10) NOT NULL,
  `uid` int(10) unsigned NOT NULL,
  `game` varchar(255) NOT NULL,
  `channel` varchar(255) NOT NULL,
  `system` varchar(255) NOT NULL,
  `screen` varchar(255) NOT NULL,
  `network` varchar(255) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `datetime` (`time`)
) charset=gbk;

insert into play values
(1,1421812389,10000,'所有游戏-魔兽世界-0服','360-360联盟','WIN7','1024x768','电信'),
(2,1421812389,10001,'所有游戏-魔兽世界-1服','网易-网易联盟','XP','1366x768','联通'),
(3,1421812389,10000,'所有游戏-魔兽世界-0服','360-360联盟','WIN7','1024x768','电信');

drop table if exists play_game;

create table play_game ( game varchar(100) ) charset=gbk;

insert into play_game values ('所有游戏'),('魔兽世界'),('0服'),('1服');

drop table if exists play_channel;

create table play_channel ( channel varchar(100) ) charset=gbk;

insert into play_channel values ('360'),('360联盟'),('网易'),('网易联盟');

select a.id, a.time, a.uid, b.game, c.channel, a.system, a.screen, a.network from play a, play_game b, play_channel c where 
  find_in_set(b.game, replace(a.game, '-', ','))
  and
  find_in_set(c.channel, replace(a.channel, '-', ','))

可得到这样的结果


id time　　　　uid　　game　　　channel　system　screen　　network 
1  1421812389　10000　所有游戏　360　　　WIN7　　1024x768　电信 
3  1421812389　10000　所有游戏　360　　　WIN7　　1024x768　电信 
1  1421812389　10000　魔兽世界　360　　　WIN7　　1024x768　电信 
3  1421812389　10000　魔兽世界　360　　　WIN7　　1024x768　电信 
1  1421812389　10000　0服 　　　360　　　WIN7　　1024x768　电信 
3  1421812389　10000　0服 　　　360　　　WIN7　　1024x768　电信 
1  1421812389　10000　所有游戏　360联盟　WIN7　　1024x768　电信 
3  1421812389　10000　所有游戏　360联盟　WIN7　　1024x768　电信 
1  1421812389　10000　魔兽世界　360联盟　WIN7　　1024x768　电信 
3  1421812389　10000　魔兽世界　360联盟　WIN7　　1024x768　电信 
1  1421812389　10000　0服 　　　360联盟　WIN7　　1024x768　电信 
3  1421812389　10000　0服 　　　360联盟　WIN7　　1024x768　电信 
2  1421812389　10001　所有游戏　网易　　 XP　　　1366x768　联通 
2  1421812389　10001　魔兽世界　网易 　　XP　　　1366x768　联通 
2  1421812389　10001　1服 　　　网易 　　XP　　　1366x768　联通 
2  1421812389　10001　所有游戏　网易联盟 XP　　　1366x768　联通 
2  1421812389　10001　魔兽世界　网易联盟 XP　　　1366x768　联通 
2  1421812389　10001　1服 　　　网易联盟 XP　　　1366x768　联通

再从这个结果出发，还有什么是不可用 SQL 做到的呢？如果你永久性的将 所有游戏-魔兽世界-0服 改为 所有游戏,魔兽世界,0服 那就不需要在查询时执行 replace 函数了（当然这可能会涉及程序的改动），效率自然会有所提高如果你再将最后的查询定义成视图的话，效率就又会提高不少（视图中如果一条记录的源数据没有被改变，则不做查询动作而直接返回缓存的结果）

回复赞

gilper 2015-01-21

引用 8 楼 qq_24444439 的回复:

可以合并数组array_merge 然后去重array_unique 不知道速度如何毕竟没用那么大数组过，可以测试一下

肯定不行~

回复赞

傲雪星枫 2015-01-20

几百万不算多。

回复赞

傲雪星枫 2015-01-20

把表结构写出来看看。

回复赞

gilper 2015-01-20

引用 1 楼 xuzuning 的回复:

无论你有什么其它特定逻辑，都应在数据库里处理只需对性别和身份证分组就可以了或者对身份证字段做唯一索引

逻辑比较复杂，在MySQL中去重可能不太容易实现，有些字段是要拆解出来做统计的，比如一个字段是“a-b”，这条数据被拿出来后，要拆解成"所有"、"a"、"a-b"三个级别，在三个级别内相应的去重（类似的字段有多个），同张表内有多种字段组合的需要去重，目前高峰的时候数据量几千万+，还在增长中，用DISTINCT的话效率应该也不高，分次5w条取数据的时候会在5w条内用DISTINCT做个预去重，然后再入到PHP中去重。

回复赞

xuzuning 2015-01-20

无论你有什么其它特定逻辑，都应在数据库里处理只需对性别和身份证分组就可以了或者对身份证字段做唯一索引

回复赞