匹配csdn用户数据库与官方用户的重合度并将重叠部分的用户筛选出来
鉴于大家对PHP十分关注，我们编辑小组在此为大家搜集整理了“匹配csdn用户数据库与官方用户的重合度并将重叠部分的用户筛选出来”一文，供大家参考学习!
过程：1、获取csdn的用户数据库导入本地
试用editplus打开提示内存不足，没找到办法，同事的linux下查看了一下，基本的格式如下：
用户名 # 密码 # 邮箱
用户名 # 密码 # 邮箱
相应数据结构：
复制代码 代码如下:
CREATE TABLE IF NOT EXISTS `csdn_userdb` (
`id` int(10) NOT NULL auto_increment,
`username` varchar(50) character set gbk NOT NULL,
`password` varchar(50) character set gbk NOT NULL,
`email` varchar(50) character set gbk NOT NULL,
PRIMARY KEY (`id`),
KEY `username` (`username`),
KEY `email` (`email`)
) ENGINE=MyISAM DEFAULT CHARSET=gbk AUTO_INCREMENT=1 ;
一直怀疑fopen打开文件是写入缓存的，但是实践证明速度很快，应该是没有写入缓存,以下为导入数据的代码
复制代码 代码如下:
<?php
$link = mysql_connect(''localhost'', ''root'', ''admin'', true);
mysql_select_db(''csdn'',$link);
$handle = fopen("C:\Users\zhudong\Desktop\www.csdn.net.sql", "r");
while (!feof($handle)){
$i++;
$buffer = fgets($handle);
list($u,$p,$e) = explode(" # ",$buffer);
mysql_query("INSERT INTO csdn_userdb(username,password,email) VALUES (''$u'',''$p'',''$e'')",$link);
if ($i%1000 == 0) echo $i."\n";
}
fclose($handle);
?>
以上代码效率非常差，故做修改后代码如下：
复制代码 代码如下:
<?php
$link = mysql_connect(''localhost'', ''root'', ''admin'', true);
mysql_select_db(''csdn'',$link);
$handle = fopen("C:\Users\zhudong\Desktop\www.csdn.net.sql", "r");
$perpage = 50;
while (!feof($handle)){
$i++;
$buffer = fgets($handle);
list($u,$p,$e) = explode(" # ",$buffer);
$insertValue[] = "(''$u'',''$p'',''$e'')";
if ($i% $perpage == 0){ $perpage == 0){
$instrtValueString = implode('','',$insertValue);
mysql_query("INSERT INTO csdn_userdb(username,password,email) VALUES $instrtValueString",$link);
echo $i."\n";
$insertValue = array();
}
}
fclose($handle);
为了搞清楚有那些因素对导入数据的效率产生影响，故根据不同的设置进行了测试
CSDN用户总数据 6428600
当$perpage=500；导入后数据：5,902,000；数据丢失526600 丢失率：8%；数据表引擎：MyISAM；索引：有；总耗时 ：15分钟
当$perpage=200，导入后数据总数：6,210,200；数据丢失：218400；丢失率：3.3%；数据表引擎： MYISAM ；索引：有；总耗时：30分钟
当$perpage=200，导入后数据总数：6,210,200；数据丢失：218400；丢失率：3.3%；数据表引擎：INNODB；索引：有；总耗时：65分钟
当$perpage=200，导入后数据总数：6,210,200；数据丢失：218400；丢失率：3.3%；数据表引擎：MYISAM；索引：无；总耗时：14分钟(数据导入完毕后单独再建索引)
当$perpage=50，导入后数据总数：6,371,200；数据丢失：57400，丢失率：0.8%；数据表引擎：MYISAM；索引：无：总耗时：20分钟
根据以上情况总结如下：
1、先导入数据后加索引的效率要比先加索引后导入数据的高一倍
2、InnoDB 在单进程数据插入上的效率要比MYISAM低很多
3、当perpage=50的情况下数据丢失率在1%以下
复制代码 代码如下:
因为通过浏览器执行会有超时的问题，而且效率地下，故通过命令行方式运行，此过程中遇到一点小麻烦耽搁了不少时间
起初我执行如下代码：
php.exe E:\usr\www\importcsdndb.php
但是一直报错：call to undefined function mysql_connect
折腾发现没有载入php.ini
正确代码为：
php.exe -c E:/usr/local/apache2/php.ini importcsdndb.php
2、导