php大数据的情况 php大数据处理思路

很多人都在反映，PHP现在很难找到工作，真的是这样吗？

是的，五年PHP，疫情前辞职了，现在待业快5个月了，找工作好难

先说结果，只会php的开发人员，现在确实比较难找工作。

第一：需求少了

由于疫情影响，有一些小公司倒闭了，现在的情况是人多公司少，竞争相当激烈，如果你只会php那你的竞争力比较低，现在都往全栈开发方向发展，就算你不往全栈发展，最起码你要懂点linux 系统 或者 除了php之外另外一种流行的编程语言。

第二：函数命名不规，传参位置不一

先来看网上一个段子：

三个程序员坐在格子间里编程。

A程序员一言不发，他用的是python.

B程序员写一会儿就按一下编译，然后就玩会儿手机。他用的是C++。

C程序员坐在那里浏览网页，不时飞快的键入一些字符。

经理看到，怒道：你怎么不干活，尽在上网。

C回答：我在查PHP实现这个功能需要用什么函数 。

尽快是一个段子，不过 php 开发者 在开发过程中，确实经常要上网去搜索 某个功能用的是哪个函数，如果不上网去搜索，我估计开发起来要困难很多 ，资深开发者除外。

第三： php 不再是 ’世界上最好的语言‘

当年在 web 开发领域，php 可以说是没有对手，绝大部分的web开发都是 用的 php 语言 ，但是随着现在架构演变，以及新的编程语言出现，严重冲击了php的地位。

php 除了在web 开发领域比较擅长之外，在其他领域就不太行了，比如现在比较火的大数据，人工智能等等。

php 的性能不太好，且对异步支持的不太好，虽然后来出现了 swoole等 优秀的扩展，但很多人还是选择了 其他编程语言代替，比如 golang

老铁，确实是这样的，PHP岗位比较少，在北京用PHP的大中互联网公司都很少，除非是已经在阿里P8-9以上的人，做管理，要是还是做coding的话，职业发展空间就相对较少，因为年轻人多，公司少，这就是现实。

说个简单的数据吧，这是我在某网站输入PHP后得到的猎头岗位数目，地点选择的是北京，也就4家企业，猎头岗位数量其实一定程度上是反应了整体大概的数量。

然后我们再看JAVA的，每页20个岗位，一共5页，也就是说大概100个猎头岗位。

有部分公司转向GO,截图不方便，大概是20来个猎头岗位。

当然不是说PHP的人就不行了，实际上有的独特项目就是PHP开发的，后面公司想要找这方面的人，还没发搞定，因为技术语言不一，但是整体来说 PHP找工作跟难是真的。

php目前确实不好找工作了。前后台分离模式崛起以后，可以说现在后端基本上被java垄断了。那么再说说java，这门语言出现的时间比较长了，所以你可以轻松找到1个10几年经验的java工程师，目前java从业者也是最多的。换句话说就是，java这么好招，我还要php干啥。不过也不能说php一无是处，毕竟是小公司的创业首选。拥有丰富经验的phper，还是能够找到工作的。

疫情之下，工作难找，吃饭又变难了

阿里巴巴在10多年前，淘宝的后端就是php，但是后面渐渐被替换为Java，至今里边php的应用早已荡然无存，足以证明php没落。

像我司京东，至少我目前接触的项目，后端全是Java，没有看到一点php的应用、文档等。

php的工作还是有的，至少我去年校招的时候投递百度，里边的岗位就有php开发岗，但是招聘人数特别的少，应是维护之前老的项目要用到。现在新的项目，后端挺少人会考虑php的，更多的是Java、Go、Python、C++等。

“php是世界上最好的语言”，这一句常挂程序员嘴边的赞美，我觉得更多的是对php没落的嘲讽，但也不比较真，顺应技术发展的潮流学习新知识，才是正确的选择。

很高兴收到邀请，我谈谈个人的看法。主要分为2点。

一、PHP语言在国内的使用情况

国内的大厂普遍使用Java开发比较多一点,而这点PHP就有点小众了。大厂生存抗压能力强所以裁员会比较少点。小公司抗压能力弱，在面对收入减少的情况下，不得不进行裁员。

二、今年疫情带来的特殊情况

企业生存压力大,加上疫情原因,导致利润减少,对开发的要求降低了,很多公司面临裁员问题。

三、PHP不会被替代

PHP是世界上最好的语言,在做web开发时候，非常快速。PHP的优势也是很明显的，不存在被替代的问题

只要功夫深，铁杵磨成针。

不要太过相信网上说的互联网寒冬，php待遇差，工作饱和了等一些谣言。

只要你技术过硬，不用你去找工作，工作自然会来找你。但是你的基础要扎实，还要有发展能力。

什么是发展能力。就是不断提升自我的能力，可以不断学习不断进步的能力。

我见过很多高手，从来都不仅会一门语言，python,java,php,nodejs,go对他们来说，只要工作有需要，他们都能应付的来。

所以我的建议是如果你对技术感兴趣，那就只管去做，工作岗位从来都不缺，他只是等待一个合适的人，而你一旦你出发了，成功就在脚下

五六年的php，后来转写go，夹杂着python，现在写了不到一年的java[捂脸]

我不是PHP，是java疫情期间公司面临倒闭，就进行了裁员。裁员后发现今年确实不好找工作，尤其是对于30左右的开发人员，真的好难找工作，刚毕业一两年的没有什么影响，他们都基本上一周之内找到了，其他的差不多一个月了还没有相关的应聘单位接收。感觉可以考虑考虑转行了，这一行确实优势不大，因为没有别人那么高超的学历和技术，并没有比他们优势大的让公司选择你。

现在也好迷茫，其他的又不会，这一行现在工作也不好找。还在外面漂着。不知道什么时候是个头。要说技术，说真的也不是很差，开发起来项目也不含糊，但是好久没面试了，准备起来比以前费劲多了，面试问的问题也越来越难。加油把

Boss上和前程无忧上的确很少。

相关问答

Q1: PHP的算法可以实现大数据分析吗

1.Bloom filter

适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集

基本原理及要点：

对于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。

还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证bit数组里至少一半为 0，则m 应该=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。

举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。这样k大概是8个。

注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。

扩展：

Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。

问题实例：给你A,B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。如果是三个乃至n个文件呢？

根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个 bit。现在可用的是340亿，相差并不多，这样可能会使出错率上升些。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。

2.Hashing

适用范围：快速查找，删除的基本数据结构，通常需要总数据量可以放入内存

基本原理及要点：

hash函数选择，针对字符串，整数，排列，具体相应的hash方法。

碰撞处理，一种是open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法，opened addressing。 ()

扩展：

d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2。在存储一个新的key时，同时用两个哈希函数进行计算，得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置。如果两边一样多，比如两个位置都为空或者都存储了一个key，就把新key 存储在左边的T1子表中，2-left也由此而来。在查找一个key时，必须进行两次hash，同时查找两个位置。

问题实例：

1).海量日志数据，提取出某日访问百度次数最多的那个IP。

IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。

3.bit-map

适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下

基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码

扩展：bloom filter可以看做是对bit-map的扩展

问题实例：

1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。

8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。

2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。

将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。

4.堆

适用范围：海量数据前n大，并且n比较小，堆可以放入内存

基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。

扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。

问题实例：

1)100w个数中找最大的前100个数。

用一个100个元素大小的最小堆即可。

5.双层桶划分 ----其实本质上就是【分而治之】的思想，重在“分”的技巧上！

适用范围：第k大，中位数，不重复或重复的数字

基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。

扩展：

问题实例：

1).2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。

有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。

2).5亿个int找它们的中位数。

这个例子比上面那个更明显。首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。

实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。

6.数据库索引

适用范围：大数据量的增删改查

基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。

扩展：

问题实例：

7.倒排索引(Inverted index)

适用范围：搜索引擎，关键字查询

基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。

以英文为例，下面是要被索引的文本：

T0 = "it is what it is"

T1 = "what is it"

T2 = "it is a banana"

我们就能得到下面的反向文件索引：

"a": {2}

"banana": {2}

"is": {0, 1, 2}

"it": {0, 1, 2}

"what": {0, 1}

检索的条件"what", "is" 和 "it" 将对应集合的交集。

正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。

扩展：

问题实例：文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。

8.外排序

适用范围：大数据的排序，去重

基本原理及要点：外排序的归并方法，置换选择 败者树原理，最优归并树

扩展：

问题实例：

1).有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16个字节，内存限制大小是1M。返回频数最高的100个词。

这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。内存可以当输入缓冲区使用。

9.trie树

适用范围：数据量大，重复多，但是数据种类小可以放入内存

基本原理及要点：实现方式，节点孩子的表示方式

扩展：压缩实现。

问题实例：

1).有10个文件，每个文件1G， 每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。要你按照query的频度排序 。

2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。请问怎么设计和实现？

3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。

10.分布式处理 mapreduce

适用范围：数据量大，但是数据种类小可以放入内存

基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。

扩展：

问题实例：

1).The canonical example application of MapReduce is a process to count the appearances of

each different word in a set of documents:

void map(String name, String document):

// name: document name

// document: document contents

for each word w in document:

EmitIntermediate(w, 1);

void reduce(String word, Iterator partialCounts):

// key: a word

// values: a list of aggregated partial counts

int result = 0;

for each v in partialCounts:

result += ParseInt(v);

Emit(result);

Here, each document is split in words, and each word is counted initially with a "1" value by

the Map function, using the word as the result key. The framework puts together all the pairs

with the same key and feeds them to the same call to Reduce, thus this function just needs to

sum all of its input values to find the total appearances of that word.

2).海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。

3).一共有N个机器，每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)？

经典问题分析

上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入内存，不可一次读入。

可用思路：trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序

所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。

如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。

当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。

实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围。

而外排序的方法会消耗大量的IO，效率不会很高。而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。

另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存。

Q2: 用PHP连接MYSQL查询大数据出错问题求助

当查询类容过多时会导致php内存溢出php大数据的情况，建议加limit分段查询，或着修改php.ini文件的

memory_limit 字段，默认是128M,改成php大数据的情况你需要的大小

Q3: PHP如何解决网站的大数据大流量与高并发

使用缓存，比如memcache,redis,因为它们是在内存中运行，所以处理数据，返回数据非常快，所以可以应对高并发。

2.增加带宽和机器性能，1M的带宽同时处理的流量肯定有限，所以在资源允许的情况下，大带宽，多核cpu,高内存是一个解决方案。

3.分布式，让多个访问分到不同的机器上去处理，每个机器处理的请求就相对减少了。

简单说些常用技术，负载均衡，限流，加速器等

Q4: PHP-大数据量怎么处理优化

大数据的话可以进行以下操作：

减少对数据库的读取，也就是减少调用数据库，

进行数据缓存，

利用数据库的自身优化技术，如索引等

精确查询条件，有利于提高查找速度

Q5: php采集大数据的方案

1、建议你读写数据和下载图片分开，各用不同的进程完成。

比如说，取数据用get-data.php，下载图片用get-image.php。

2、多进程的话，php可以简单的用pcntl_fork()。这样可以并发多个子进程。

但是我不建议你用fork，我建议你安装一个gearman worker。这样你要并发几个，就启几个worker，写代码简单，根本不用在代码里考虑thread啊，process等等。

3、综上，解决方案这样：

（1）安装gearman worker。

（2）写一个get-data.php，在crontab里设置它每5分钟执行一次，只负责读数据，然后把读回来的数据一条一条的扔到 gearman worker的队列里；

然后再写一个处理数据的脚本作为worker，例如叫process-data.php，这个脚本常驻内存。它作为worker从geraman 队列里读出一条一条的数据，然后跟你的数据库老数据比较，进行你的业务逻辑。如果你要10个并发，那就启动10个process-data.php好了。处理完后，如果图片地址有变动需要下载图片，就把图片地址扔到 gearman worker的另一个队列里。

（3）再写一个download-data.php，作为下载图片的worker，同样，你启动10个20个并发随便你。这个进程也常驻内存运行，从gearman worker的图片数据队列里取数据出来，下载图片

4、常驻进程的话，就是在代码里写个while(true)死循环，让它一直运行好了。如果怕内存泄露啥的，你可以每循环10万次退出一下。然后在crontab里设置，每分钟检查一下进程有没有启动，比如说这样启动3个process-data worker进程：

* * * * * flock -xn /tmp/process-data.1.lock -c '/usr/bin/php /process-data.php /dev/null 21'

* * * * * flock -xn /tmp/process-data.2.lock -c '/usr/bin/php /process-data.php /dev/null 21'

* * * * * flock -xn /tmp/process-data.3.lock -c '/usr/bin/php /process-data.php /dev/null 21'

不知道你明白了没有

关于php大数据的情况和php大数据处理思路的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。