匹配csdn使用者資料庫與官方使用者的重合度並將重疊部分的使用者篩選出來

過程：
1、擷取csdn的使用者資料庫匯入本地
試用editplus開啟提示記憶體不足，沒找到辦法，同事的linux下查看了一下，基本的格式如下：
使用者名稱 # 密碼 # 郵箱
使用者名稱 # 密碼 # 郵箱
相應資料結構： 複製代碼 代碼如下: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 ;

一直懷疑fopen開啟檔案是寫入緩衝的，但是實踐證明速度很快，應該是沒有寫入緩衝,以下為匯入資料的代碼 複製代碼 代碼如下:<?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);
?>

以上代碼效率非常差，故做修改後代碼如下： 複製代碼 代碼如下:<?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);

為了搞清楚有那些因素對匯入資料的效率產生影響，故根據不同的設定進行了測試
CSDN使用者總資料 6428600
當$perpage=500；匯入後資料：5,902,000；資料丟失526600 丟失率：8%；資料表引擎：MyISAM；索引：有；總耗時 ：15分鐘
當$perpage=200，匯入後資料總數：6,210,200；資料丟失：218400；丟失率：3.3%；資料表引擎： MYISAM ；索引：有；總耗時：30分鐘
當$perpage=200，匯入後資料總數：6,210,200；資料丟失：218400；丟失率：3.3%；資料表引擎：INNODB；索引：有；總耗時：65分鐘
當$perpage=200，匯入後資料總數：6,210,200；資料丟失：218400；丟失率：3.3%；資料表引擎：MYISAM；索引：無；總耗時：14分鐘(資料匯入完畢後單獨再建索引)
當$perpage=50，匯入後資料總數：6,371,200；資料丟失：57400，丟失率：0.8%；資料表引擎：MYISAM；索引：無：總耗時：20分鐘
根據以上情況總結如下：
1、先匯入資料後加索引的效率要比先加索引後匯入資料的高一倍
2、InnoDB 在單進程資料插入上的效率要比MYISAM低很多
3、當perpage=50的情況下資料丟失率在1%以下 複製代碼 代碼如下:因為通過瀏覽器執行會有逾時的問題，而且效率地下，故通過命令列方式運行，此過程中遇到一點小麻煩耽擱了不少時間
起初我執行如下代碼：
php.exe E:\usr\www\importcsdndb.php
但是一直報錯：call to undefined function mysql_connect
折騰發現沒有載入php.ini
正確代碼為：
php.exe -c E:/usr/local/apache2/php.ini importcsdndb.php

2、匯入需要匹配的使用者資料資料至本地
命令列進入msyql（不會的自己百度）
然後執行：mysql>source C:/Users/zhudong/Desktop/userdb.sql
3、對比篩選使用者
對比程式寫好了，切記在命令列下運行： 複製代碼 代碼如下:<?php
$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle_username = fopen("E:/records_username.txt","a");
//$handle_email = fopen("E:/records_email.txt","a");
$username_num = $email_num = $uid = 0;
while ($uid<2181106) {
$nextuid=$uid+10000;
$query = mysql_query("SELECT * FROM pw_members WHERE uid>'$uid' AND uid<'$nextuid'");
while ($rt = mysql_fetch_array($query,MYSQL_ASSOC)) {
$username = $rt['username'];
$email = $rt['email'];
$query2 = mysql_query("SELECT * FROM scdn_userdb WHERE username='$username' OR email='$email'");
while ($rt2 = mysql_fetch_array($query2,MYSQL_ASSOC)) {
if ($rt['password'] = md5($rt2['password'])) {
if ($rt2['username'] == $username) {
$username_num++;
fwrite($handle_username,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt2['username'].'|'.$rt2['password'].'|'.$rt2['email']."\r\n");
echo 'username_num='.$username_num."\r\n";
continue;
}
/*
if ($rt2['email'] == $email) {
$email_num++;
fwrite($handle_email,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt2['username'].'|'.$rt2['password'].'|'.$rt2['email']."\r\n");
echo 'email_num='.$email_num."\r\n";
}
*/
}
}
mysql_free_result($query2);
}
$uid = $nextuid;
}
?>

您看到的以上的代碼是非常蹩腳的，因為其效率特別低 ，幾百萬的資料，要跑10多個小時，怎麼能忘記連表查詢這麼基本的東西呢，以下為修正後的方法 複製代碼 代碼如下:$link = mysql_connect('localhost', 'root', 'admin', true);
mysql_select_db('csdn',$link);
$handle_username = fopen("E:/records_username.txt","a");
while($uid<2181106) {//此處的數字為要對比使用者庫的最大ID
$nextuid= $uid+10000;
$query = mysql_query("SELECT m.uid,m.username,m.password,m.email,u.password as csdn_password,u.email as csdn_email FROM own_members m LEFT JOIN csdn_userdb u USING(username) WHERE m.uid>'$uid' AND m.uid<='$nextuid' AND u.username!=''");
while ($rt = mysql_fetch_array($query,MYSQL_ASSOC)) {
if ($rt['password'] == md5($rt['csdn_password'])) {
$username_num++;
fwrite($handle_username,'OWN:'.$rt['uid'].'|'.$rt['username'].'|'.$rt['password'].'|'.$rt['email'].' CSDN:'.$rt['username'].'|'.$rt['csdn_password'].'|'.$rt['csdn_email']."\r\n");
echo 'username_num='.$username_num."\r\n";
}
}
$uid = $nextuid;
echo 'uid='.$uid;
}
?>

總對比時間25分鐘，相比較之前10多個小時的執行真是大有提升
總重名使用者：34175
佔總會員比例：1.7%
1.7%的重名使用者還是挺嚴重的，希望本文對各位站長對比出本站的使用者有所協助