大数据分析

Question

我正试图分析大量的GitHub存档数据，并被许多限制所困扰。

所以我的分析也要求我搜索一个350 So的数据集。我有一个本地副本的数据，也有一个副本可以通过谷歌BigQuery。本地数据集被分成25000个单独的文件。数据集是事件的时间线。

我想绘制每个存储库自创建以来拥有的星星数。(仅适用于目前超过1000的回购)

我可以非常快地使用Google BigQuery获得这个结果，但它每次“分析”13.6GB的数据。这将我限制在<75请求，而不必支付每增加75美元5美元。

我的另一个选择是搜索我的本地副本，但是在每个文件中搜索一个特定的字符串(存储库名)太长了。在一个SSD驱动器上花了一个多小时才通过了一半的文件，然后我终止了这个过程。

我有什么更好的方法来分析这么多的数据呢？

用于搜索所有本地文件的Python代码：

for yy in range(11,15):
                    for mm in range(1,13):
                        for dd in range(1,32):
                            for hh in range(0,24):
                                counter = counter + 1
                                if counter < startAt:
                                    continue    
                                if counter > stopAt:
                                    continue
                                #print counter
                                strHH = str(hh)
                                strDD = str(dd)
                                strMM = str(mm)
                                strYY = str(yy)
                                if len(strDD) == 1:
                                    strDD = "0" + strDD
                                if len(strMM) == 1:
                                    strMM = "0" + strMM
                                #print strYY + "-" + strMM + "-" + strDD + "-" + strHH
                                try:
                                    f = json.load (open ("/Volumes/WD_1TB/GitHub Archive/20"+strYY+"-"+strMM+"-"+strDD+"-"+strHH+".json", 'r') , cls=ConcatJSONDecoder)
                                    for each_event in f:
                                        if(each_event["type"] == "WatchEvent"):
                                            try:
                                                num_stars = int(each_event["repository"]["watchers"])
                                                created_at = each_event["created_at"]
                                                json_entry[4][created_at] = num_stars
                                            except Exception, e:
                                                print e
                                except Exception, e:
                                    print e

Google大查询SQL命令：

SELECT repository_owner, repository_name, repository_watchers, created_at
  FROM [githubarchive:github.timeline]
  WHERE type = "WatchEvent"
  AND repository_owner = "mojombo"
  AND repository_name = "grit"
  ORDER BY created_at

我真的很困惑，所以在这一点上的任何建议都是非常感谢的。

Answer 1

我找到了解决这个问题的方法--使用一个数据库。我将JSON数据的360+GB中的相关数据导入到MySQL数据库中，并对其进行了查询。过去每个元素的3hour+查询时间变成了<10秒。

MySQL不是一件容易设置的事情，导入花费了大约7.5个小时，但是结果让我觉得它是值得的。

Answer 2

如果大多数BigQuery查询只扫描数据的一个子集，则可以执行一个初始查询来提取该子集(使用“允许大结果”)。然后，对您的小表的后续查询将减少成本。

例如，如果只查询类型= "WatchEvent“的记录，则可以运行如下查询：

SELECT repository_owner, repository_name, repository_watchers, created_at
FROM [githubarchive:github.timeline]
WHERE type = "WatchEvent"

并设置目标表和“允许大结果”标志。此查询将扫描整个13.6GB，但输出仅为1GB，因此对output表的后续查询最多只收取1GB的费用。

对你来说，这可能还不够便宜，但只是把选择抛到了一边。