abclinuxu.cz AbcLinuxu.cz itbiz.cz ITBiz.cz HDmag.cz HDmag.cz abcprace.cz AbcPráce.cz
AbcLinuxu hledá autory!
Inzerujte na AbcPráce.cz od 950 Kč
Rozšířené hledání
×

    dnes 09:00 | Bezpečnostní upozornění

    V X.Org v libX11 do 1.8.7 a libXpm do 3.5.17 bylo nalezeno a v upstreamu opraveno 5 bezpečnostních chyb (CVE-2023-43785, CVE-2023-43786, CVE-2023-43787, CVE-2023-43788 a CVE-2023-43789). Dvě nejstarší jsou s námi 35 let. Obsaženy byly již v X11R2 vydaném v únoru 1988.

    Ladislav Hagara | Komentářů: 0
    dnes 08:00 | Bezpečnostní upozornění

    Byly publikovány informace o bezpečnostní chybě Looney Tunables aneb CVE-2023-4911 v glibc ld.so. Útočník ji může využít k lokální eskalaci práv. Vyzkoušeno na výchozích instalacích linuxových distribucí Fedora 37 a 38, Ubuntu 22.04 a 23.04 a Debian 12 a 13. Chyba byla do glibc zavlečena v dubnu 2021. Detaily v txt.

    Ladislav Hagara | Komentářů: 0
    včera 20:33 | Komunita

    Na Kickstarteru byla spuštěna crowdfundingová kampaň na podporu telefonu Murena 2 s /e/OS. Telefon má 2 hardwarové přepínače. Prvním lze jednoduše vypnout kamery a mikrofony. Druhým se lze odpojit od sítí.

    Ladislav Hagara | Komentářů: 1
    včera 20:11 | Bezpečnostní upozornění

    Společnost Qualcomm publikovala říjnový bezpečnostní bulletin. V úvodu informuje, že bezpečnostní chyby CVE-2023-33106, CVE-2023-33107, CVE-2022-22071 a CVE-2023-33063 jsou cíleně využívány útočníky. O CVE-2022-22071 se píše už v loňském květnovém bulletinu. Detaily o zbylých chybách jsou k dispozici OEM partnerům. Veřejně budou k dispozici až s vydáním prosincového bulletinu.

    Ladislav Hagara | Komentářů: 0
    včera 13:55 | Nová verze

    Byla vydána nová verze 5.18 živé linuxové distribuce Tails (The Amnesic Incognito Live System), jež klade důraz na ochranu soukromí uživatelů a anonymitu. Přehled změn v příslušném seznamu. Tor Browser byl povýšen na verzi 12.5.6. Tor na verzi 0.4.8.6.

    Ladislav Hagara | Komentářů: 0
    včera 10:55 | Nová verze

    Šifrovací nástroj VeraCrypt v menším vydání 1.26.7 nejen opravuje chyby a aktualizuje podporované algoritmy (podrobnosti v poznámkách vydání), ale také přestává podporovat původní svazky TrueCrypt.

    Fluttershy, yay! | Komentářů: 0
    včera 09:00 | Pozvánky

    V sobotu 7. října proběhne Maker Faire Liberec, festival plný workshopů, interaktivních činností a především nadšených a zvídavých lidí.

    Ladislav Hagara | Komentářů: 0
    včera 08:00 | Zajímavý článek Ladislav Hagara | Komentářů: 0
    2.10. 23:44 | Komunita

    Ubuntu Summit 2023 proběhne od 3. do 5. listopadu v Rize.

    Ladislav Hagara | Komentářů: 0
    2.10. 19:33 | Nová verze

    Programovací jazyk Python byl vydán v nové major verzi 3.12.0. Podrobný přehled novinek v Changelogu.

    Ladislav Hagara | Komentářů: 0
    Raději
     (54%)
     (46%)
    Celkem 54 hlasů
     Komentářů: 3, poslední 2.10. 23:31
    Rozcestník

    Dotaz: Prosba o pomoc s optimalizaciou programu

    10.9.2013 13:32 Peter
    Prosba o pomoc s optimalizaciou programu
    Přečteno: 344×
    Příloha:
    Dobrý deň vám prajem.

    Potreboval by som pomoc s optimalizáciou časti kódu na vyhľadanie a spracovanie duplicít v poli. Každý deň dostávam csv súbor so zákazníkmi, ktorý musím naimportovať do našej databázy. Forma tohto csv je jednoduchá:
    Priezvisko; Meno; Ulica; Mesto; PSC; Telefon; Tovar
    
    Ja ale ešte musím nájsť duplicitné záznamy a jediným relevantným "ID" je pre mňa v tomto prípade telefónne číslo, ktoré ale nemusí byť pre konkrétny záznam len jedno (može byť napríklad aj: 0905123456,02/123456) a v prípade, že sa nachádza v tom csv viacero záznamov s rovnakým číslom, tak mám všetky záznamy pre tovar zlúčiť do jedného záznamu. Na serveri môžem použiť len php alebo shell, tak som si napísal php skript, ktorý ale v časti ktorá vyhľadáva duplicity trvá pri 50.000 záznamoch cca hodinu. Dotyčná časť je v priloženom súbore.

    V princípe tam ide o to, že do premennej Pole_1 si načítam ten csv, potom čítam v cykle položku po položke a porovnávam s vytváraným polom Pole_2. Ak sa dotyčný záznam v poli nachádza, tak len do stĺpca VydanyTovar pridám tovar z aktuálneho záznamu a ak sa nenachádza, tak pridám celý záznam.

    Príklad csv:
    NezaujimavyBalast; Telefon; Tovar
    xxx              ; 123    ; a
    xxx              ; 567    ; b
    xxx              ; 123,567; c
    xxx              ; 567    ; d
    
    výsledok je teda:
    NezaujimavyBalast; Telefon; Tovar
    xxx              ; 123    ; a c
    xxx              ; 567    ; b d
    
    Samozrejme, že ten skript nie je dokonalý lebo ideálny výsledok by mal byť takýto (ale nato ako to mám zrobiť som už neprišiel):
    NezaujimavyBalast; Telefon; Tovar
    xxx              ; 123,567; a b c d
    
    Nájde sa prosím vás nejaká dobrá duša čo mi s tým pomôže? Vopred vám veľmi pekne ďakujem.

    Odpovědi

    Jendа avatar 10.9.2013 13:34 Jendа | skóre: 78 | blog: Jenda | JO70FB
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Nemůžeš to CSV nahrát do nějaké SQL databáze?
    Domov chce do BRICS! :D | Tohle vyhrálo na tzv. Slovensku 🤗
    10.9.2013 13:37 Peter
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Tak nie je problém urobiť na to nejakú temporary tabuľku, ale ako by som si mal napríklad v databáze poradiť s "explode"?
    Jendа avatar 10.9.2013 13:40 Jendа | skóre: 78 | blog: Jenda | JO70FB
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Budeš si muset udělat tabulku „telefony“ a do ní ukládat telefony a ID hlavního záznamu, ke kterému patří. Takže explode už v PHP (ale samotný explode by neměl být tak pomalý).
    Domov chce do BRICS! :D | Tohle vyhrálo na tzv. Slovensku 🤗
    10.9.2013 16:59 Peter
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Vyskúšam. Mimochodom z čiste akademického hľadiska - mňa zaujímalo, že či neexistujú iné algoritmy na vyhľadávanie, lebo ako vieme, tak každá vec sa dá zrobiť rôznymi spôsobmi, ale jeden spôsob je stále optimálnejší ako druhý. Čiže hlavne ma zaujíma, že či som nezrobil fatálnu chybu voľbou samotného algoritmu a či neexistuje niečo lepšie. Ďakujem za odpoveď.
    Jendа avatar 10.9.2013 17:02 Jendа | skóre: 78 | blog: Jenda | JO70FB
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    No ty máš složitost n^3 (3 for/foreach v sobě). Když to seřadíš nebo si z toho uděláš binární strom (to se asi v PHP bude dělat blbě), tak tam můžeš někam dostat nějaké log(n).
    Domov chce do BRICS! :D | Tohle vyhrálo na tzv. Slovensku 🤗
    10.9.2013 14:01 rastos | skóre: 62 | blog: rastos
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    V tej prvej variante by nemal výstup byť:
    xxx              ; 123    ; a c
    xxx              ; 567    ; b c d
    
    ?

    Takýto druh výstupu by som získal jednoducho tak, že by som každý riadok, ktorý má N telefónnych čísiel nahradil N-ticou riadkov, z ktorých každý by mal len jedno číslo. Potom by som urobil mapu, kde by telefónne číslo bolo kľúčom a hodnotou by bol zoznam tovarov.

    Tú druhý variantu výstupu by som riešil tak, že by som vstup najprv utriedil tak, aby najprv boli záznamy s väčším počtom telefónnych čísiel. No a potom nejako dosiahnuť, aby kľúčom do spomínanej mapy nebolo jedno telefónne číslo ale množina čísiel a mapa vracala hodnotu nie ak je dané číslo kľúčom, ale ak kľúč (množina) obsahuje hľadané číslo.

    Žiaľ ako konkrétne to spraviť v PHP ti neporadím. To prenechám niekomu, kto vidí PHP častejšie, ako ja - raz za uhorský rok. V jave alebo C++ by sa to riešilo overloadnutím triedy implementujúcej mapu.
    10.9.2013 15:24 axel
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Z hlediska samotneho vyhledavani se nejedna o mapu. V zasade by se musel vytvorit seznam mnozin cisel, ten prochazet a pri nalezeni shody pripadne sloucit mnoziny - dvojice (A, B) na vstupu vede na slouceni dosud disjunktnich mnozin (A, X) a (B,Y). V principu je to kvadraticke, ale na datech z realneho zivota by to asi mohlo fungovat (napr. zaznamy s jednim cislem lze pri tomto postupu zcela ignorovat). Az budu mit tyto mnoziny, tak si k nim uz cokoliv dohledam po jednotlivych obsazenych cislech s logaritmickou slozitosti.
    10.9.2013 16:54 Peter
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Výsledok prvej varianty je správny, lebo po nájdení prvej duplicity je tam break dotyčného cyklu. Ináč to zotriedenie je super nápad. Ďakujem za odpoveď.
    10.9.2013 15:08 gogol
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Vy mate viacerych zakaznikov s rovnakym menom ? A ked ma zakaznik rovnake meno ma aj rovnaku ulicu, pripadne iny identifikator ? Nepochopil som preco trvate na tom, ze jedinecny identifikator je telefonne cislo, kedze ich moze byt viacero a este k tomu aj v roznom tvare. Tovary od jedneho zakazika sa sparuju podla jeho mena, a nie podla telefonneho cisla, ktore nemusi byt ani jeho. Ako viete, ze tovar patri k relevantnemu zakaznikovi, ked to mate oznacene ako "nazaujimavy balast", alebo ste to dokonca vyhodil.
    10.9.2013 15:29 axel
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Taky to nechapu. Jako cvicebni priklad je to zajimave, ale nedovedu si predstavit, ze by jakymsi grupovanim po tel. cislech mohla vzniknout rozumna data. Jedine snad u nejakeho telemarketingu nebo pruzkumu, kde sktecne jedina jistota je cislo, na ktere jsem volal - clovek se mi muze predstavit treba jako Klement Gottwald a rict, ze priste mu mam zavolat na jine cislo (napr. pevna linka).
    10.9.2013 16:50 Peter
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Dedo - otec - syn? Dôvodov prečo je telefónne číslo "ID" je tam viacero, ale pre účel otázky sú bezpredmetné. Pre zaujímavosť - jeden z dôvodov je to, že obchodníci píšu ako negramotné prasatá a jediné "isté" je telefónne číslo. A verte, že prikazovať im aby si zopakovali prvý stupen ZŠ nemá zmysel. Mimochodom - máme empiricky potvrdené, že pri hľadaní duplicity cez telefónne číslo je chybovosť zanedbatelná, čo sa nedá povedať o inom spôsobe. Chcem upozorniť na to, že toto je reálny svet a reálne dáta a nie laboratórium. Ďakujem za odpoveď.
    10.9.2013 17:46 axel
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Ano deduplikace a obecne ztotoznovani je problem z realneho sveta. Zde ovsem schazi prave ten krok, kdy za pomoci ruznych kriterii (mezi nimiz muze byt pochopitelne i telefon) poznam, ze jde o stejnou entitu a dale s daty uz pracuju pod jejim identifikatorem. Tim ovsem typicky neni telefonni cislo (mimo jine i proto, ze jich je vice, coz je ten tvuj problem), ktere muze napriklad dostat pozdeji jina osoba, muze jit o pujceny, firemni, hotelovy pristroj. Tzn. pokud bys mel databazi entit, tak bys kazdy zaznam vuci ni naparoval (klidne podle tel. cisla, kdyz ti to bude vyhovovat) a jednoznacne identifikoval a pak uz trivialne nagrupoval. Takove databaze se pak dale prubezne cisti a deduplikuji.
    10.9.2013 18:47 Ivan Nový
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Použijte příkaz MySQL LOAD DATA, který vám načte csv do tabulky, pak příkazem SELECT * FROM x INTO OUTFILE '/tmp/x.csv'; vyberte co potřebujete a čas zpracování bude řádově pár minut.
    10.9.2013 19:14 ::: | skóre: 14 | blog: e_lama
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Vytvor si pomocnou hashovaci tabulku kde budes mit

    tel cislo => index v Pole_2

    Potom misto linearniho prochazeni toho pole se jenom podivej jestli zaznam je v te tabulce. A jses na linearni slozitosti...

    btw. 50 000 zaznamu za hodinu, to ne neuveritelne pomaly... Zpracovat takovy maly mnozstvi dat by melo trvat zlomky sekundy :-)
    10.9.2013 20:59 marek
    Rozbalit Rozbalit vše Re: Prosba o pomoc s optimalizaciou programu
    Dobry den.

    Pokud to setridite, pak je mozne dosahnout podobneho vysledku, jaky popisujete v dotazu, jednim pruchodem dat.

    viz:

    echo 'xxx              ; 123    ; a
    xxx              ; 567    ; b
    xxx              ; 123,567; c
    xxx              ; 567    ; d' | sort -t ';' -k 2 | awk -F ";" '// {prvni=$2;sub(",.*","",prvni);sub("^ *","",prvni);sub(" *$","",prvni);if (zminula != prvni){if(telefon != "" ){print balast ";" telefon ";" tovar}; balast=$1;tovar=$3;zminula=$2;sub("^ *","",zminula);sub(" *$","",zminula);telefon=zminula}else{tovar= tovar $3; balast= $1;sub(" *$","",$2);sub("^ *","",$2); if (!match(","telefon",",","$2",")){ telefon= $2}}} END {print balast ";" telefon ";" tovar}'
    

    To awk porovnava vzdy jenom s nasledujici polozkou v seznamu.

    Verim ze s 50000 zaznamy to na dnesnim zeleze bude hotove velmi rychle

    marek

    Založit nové vláknoNahoru

    Tiskni Sdílej: Linkuj Jaggni to Vybrali.sme.sk Google Del.icio.us Facebook

    ISSN 1214-1267   www.czech-server.cz
    © 1999-2015 Nitemedia s. r. o. Všechna práva vyhrazena.