.net 取大数据时服务器可用内存远远没有达到峰值可是报内存溢出，除了分页查询还能怎么处理？

起个名咋那么难呢 2016-01-05 04:01:15
如题，望大神指点一二
...全文
174 9 打赏 收藏 举报
写回复
用AI写文章
9 条回复
切换为时间正序
请发表友善的回复…
发表回复
Poopaye 2016-01-06
  • 打赏
  • 举报
 回复
你有1G可用内存，这时有一个操作要申请2G的内存，就会出这个错 你应该调试下这个错误发生的位置，为何会要这么多内存 .net的集合（比如List）在自动增长时一般会要求当前容量的2倍 如果可以的话，使用固定长度或者自定义的集合
iAaronHua 2016-01-06
  • 打赏
  • 举报
 回复
引用 6 楼 NetVS 的回复:
[quote=引用 4 楼 iAaronHua 的回复:] 这个其实还要看你的数据对象是什么？在做什么操作。 比如我就遇到过，对3、4百兆数据的DataTable做XML序列化，内存可以飙到1个多G（据说这个是.NET Framework自带XML序列化的一个小BUG）
我是直接使用的DataTable 向txt 文件写数据，[/quote] 那你是写之前程序占400M内存，然后写TXT，然后报错了？ 如果是这样，那你要看跟一下，看是什么操作导致内存飙升。还有，写文件的缓存是不是太大，可以考虑缓存设小一点，或者直接写文件，不用缓存。
孤独de猫 2016-01-06
  • 打赏
  • 举报
 回复
估计不.net的问题。可能是你的程序写有的问题。微软的东西，还是比较靠谱的。
起个名咋那么难呢 2016-01-06
  • 打赏
  • 举报
 回复
引用 4 楼 iAaronHua 的回复:
这个其实还要看你的数据对象是什么？在做什么操作。 比如我就遇到过，对3、4百兆数据的DataTable做XML序列化，内存可以飙到1个多G（据说这个是.NET Framework自带XML序列化的一个小BUG）
我是直接使用的DataTable 向txt 文件写数据，
起个名咋那么难呢 2016-01-06
  • 打赏
  • 举报
 回复
引用 1 楼 starfd 的回复:
不是你有100M内存，然后你这一个程序就可以用100M内存的……
我也不指望说6个G能够全部使用，起码让使用1个G 也行
iAaronHua 2016-01-06
  • 打赏
  • 举报
 回复
这个其实还要看你的数据对象是什么？在做什么操作。 比如我就遇到过，对3、4百兆数据的DataTable做XML序列化，内存可以飙到1个多G（据说这个是.NET Framework自带XML序列化的一个小BUG）
起个名咋那么难呢 2016-01-06
  • 打赏
  • 举报
 回复
引用 1 楼 starfd 的回复:
不是你有100M内存，然后你这一个程序就可以用100M内存的……
那怎么能设置一下，让使用内存达到最大化呢，现在我遇到的问题就是，服务器的可用内存大概有6个G,实际上我取数据量超过400M就会出现内存溢出
一枚大帅哥 2016-01-05
  • 打赏
  • 举报
 回复
异步加载，当你下拉你的滚动条时，每下拉N个像素，则多请求一些数据加在Table 末尾。 其实还是分页的逻辑。数据太多了就一次不要加载完呗。不然还能怎么样？
娃都会打酱油了 2016-01-05
  • 打赏
  • 举报
 回复
不是你有100M内存，然后你这一个程序就可以用100M内存的……
要复习的那些点
2021年离职计划：30岁之前，还是期望在大厂工作，期望薪资是50万/年、涨幅在30%，工作地点在杭州 时间 动作 2021:02:01 离职原因（利弊权衡）： 目前现状： 部门leader 8月份被降级、小组目前业务大部分被拿走 、对目前小组的发展前景不是很看好。 离职好处： 1.工资可以又较大涨幅、寻找有价值业务 2.杭州的话，离黄瀛更近。目前尚不清楚黄瀛是否期望一直在杭州、还是说等关系稳定后可以一起去其他城市打拼。 活水选择：
城市空气质量时空预测与污染源贡献度分析.zip
大气污染是影响公众健康与生态环境的重要问题，精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷，本文设计实现了城市空气质量时空预测与污染源贡献度分析系统，融合监测、气象、工业排放与交通四类数据，构建基于时空注意力的LSTM（STAM-LSTM）预测模型与基于正定矩阵因子分解（PMF）的源解析模型，形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合，构建时序与空间邻域特征，以普通克里金插值生成1km网格浓度场；STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重，以72小时输入预测未来24小时逐小时PM2.5浓度；PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子，量化各源全年贡献度并分析时空演变。 实验表明：STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88，相对LSTM基线（30.2）提升18.5%；普通克里金插值误差8.9，优于反距离加权（11.4）；源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源，冬季燃煤源升至27.3%、早高峰交通源达34.8%，下风向工业源贡献高出上风向8~12个百分点；减排情景显示交通源减排20%可使年均PM2.5下降5.7%，与源贡献度排序一致。 系统按五模块14组件实现，功能测试16项用例全部通过，为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现）
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现）内容概要：本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法，旨在通过结合多种先进深度学习模型的优势，提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系，通过BiGRU模型提取双向时序特征，最后引入KAN（Kernel Attention Network）增强非线性映射与关键特征的自适应加权能力，实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证，结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群：具备一定机器学习与深度学习基础，从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员，尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标：①应用于工业设备状态监测与预测性维护系统中，实现对滚动轴承等关键部件剩余寿命的精准预测；②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考；③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议：建议读者结合Python代码实现部分，深入理解各子模型的接口设计与融合逻辑，重点关注特征融合机制与注意力权重的可视化分析，以便在实际项目中灵活调整与优化模型结构。
中文版本的几何画板 几何必备
有时候写代码遇到了数学问题可以通过这个分析。
python4.14版本的环境下载器
可以快速的通过python下载器来下载python3.14版本。
C#

111,128

社区成员

642,533

社区内容

发帖
与我相关
我的任务
社区描述
.NET技术 C#
社区管理员
  • C#
  • Creator Browser
  • by_封爱
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告

让您成为最强悍的C#开发者

试试用AI创作助手写篇文章吧

+ 用AI写文章