去年年底的各種網站帳號信息的數據庫洩漏，很是給力啊，趁機也下載了幾個數據庫，准備學學數據分析家來分析一下這些帳號信息。雖然這些數據信息都已經被“整理”過的，不過自己拿來學習也挺有用的，畢竟有這麼大的數據量。
數據量大帶來的問題就是單個文件很大，能夠打開這個文件相當不容易，記事本就不要指望了，果斷死機。用MSSQL的客戶端也打不開這麼大的SQL文件，直接報內存不足，原因據說是MSSQL在讀取數據的時候，是一次性地將讀取到的數據放在內存中，如果數據量過大，而內存不足，則會直接導致系統癱掉。
Navicat Premium
這兒推薦一個軟件Navicat Premium，相當給力啊，幾百兆的SQL文件輕松就打開了，一點都不卡。而且這個客戶端軟件支持MSSQL、MYSQL、Oracle……等等各種數據庫的連接，其它的很多功能就自己慢慢研究了。
雖然用Navicat可以打開CSDN這個274MB的SQL文件，但是內容卻是沒意義的，而且也不方便對這些帳號信息進行查詢、分類、統計等等操作。唯一的方法就是把這些數據一條一條地讀取出來，然後分拆每條記錄的不同片段，再將這些片段以數據字段的格式存入數據庫，這樣就可以方便以後的使用了。
使用PHP讀取超大文件
PHP有很多種文件讀取的方式，根據目標文件的不同，采取更合適的方法，可有效地提高執行效率。由於CSDN數據庫文件很大，所以我們盡量不在短時間內全都讀取出來，畢竟每讀取一條數據還要對其分拆和寫入操作。那麼比較合適的方式就是對文件進行分區域地讀取，通過使用PHP的fseek和fread相結合，即可做到隨意讀取文件中的某一部份數據，下面是實例代碼：
復制代碼 代碼如下:
function readBigFile($filename, $count = 20, $tag = "rn") {
$content = "";//最終內容
$current = "";//當前讀取內容寄存
$step= 1;//每次走多少字符
$tagLen = strlen($tag);
$start = 0;//起始位置
$i = 0;//計數器
$handle = fopen($filename,'r+');//讀寫模式打開文件，指針指向文件起始位置
while($i < $count && !feof($handle)) {
fseek($handle, $start, SEEK_SET);//指針設置在文件開頭
$current = fread($handle,$step);//讀取文件
$content .= $current;//組合字符串
$start += $step;//依據步長向前移動
//依據分隔符的長度截取字符串最後免得幾個字符
$substrTag = substr($content, -$tagLen);
if ($substrTag == $tag) { //判斷是否為判斷是否是換行或其他分隔符
$i++;
$content .= "<br />";
}
}
//關閉文件
fclose($handle);
//返回結果
return $content;
}
$filename = "csdn.sql";//需要讀取的文件
$tag = "n";//行分隔符 注意這裡必須用雙引號
$count = 100;//讀取行數
$data = readBigFile($filename,$count,$tag);
echo $data;
關於函數傳入的變量$tag的值，根據系統不一樣，傳入的值也是有區別的：Windows用”rn”，linux/unix用”n”，Mac OS用”r”。
程序執行的大概流程：先定義讀取文件的一些基礎變量，然後打開文件，將指針定位在文件的指定位置，並讀取指定大小的內容。每讀取一次將內容存儲在變量中，直到達到讀取要求的行數或文件結束。
絕不要假定程序中的一切都將按計劃運行。
根據上面的代碼，雖然能夠得到文件中指定位置、指定大小的數據，但這整個過程只執行了一次，並不能得到所有的數據。其實要得到所有的數據，可以在這個循環的外層再添加判斷文件是否結束的循環，但這很浪費系統資源，甚至由於文件過大一直沒法讀完而導致PHP執行超時。另一種方法就是記錄並存儲上次讀取數據後指針所在的位置，然後再次執行該循環的時候，將指針定位在上次結束的位置，這樣就不存在一次循環要把文件從頭讀到尾的情況。
其實CSDN這個數據庫我到現在都還沒有導入數據庫，因為當時洩漏後沒幾天CNBETA上就有一個分析了，呵呵，動作太快了。當看到別人已經做了這個事之後，自動就沒有多少動力來做了，不過為了學習，還是要抽時間把這個事完成了。
