京公网安备 11010802034615号
经营许可证编号:京B2-20210330
一、简介
LevelDB是google开源的一个key-value存储引擎库,从版本1.2开始就能够支持billion级别的数据量了。LevelDB是单进程的服务,性能非常之高,在一台4个Q6600的CPU机器上,每秒钟写数据超过40w,而随机读的性能每秒钟超过10w。LevelDB采用日志式的写方式来提高写性能,但是牺牲了部分读性能。为了弥补牺牲了的读性能,一些人提议使用SSD作为存储介质。
二、编译
LevelDB是一个C++库,而非Server,编译需要g++的支持,这里以1.4为例说明之。
源码可以直接从这里下载,也可以用git clone源码:
#git clone
如果上面操作都无法获取源码,也可以点击这里下载源码。
#cd leveldb && make all
此时在,当前目录(levedb)下会产生libleveldb.a和libleveldb.so,这样就可以使用了。
三、实例
一个LevelDB数据库需要有一个对应的文件系统目录名字,该数据库的所有内容都存储在这个目录下。
LevelDB的使用很简单,一般分三步走:
(1)打开一个数据库实例。
(2)对这个数据库实例进行插入,修改和查询操作。
(3)最后在使用完成之后,关闭该数据库。
#cd ../ && mkdir test && cd test && vi main.cpp
具体实例如下:
#include
#include
#include
#include
int main(int argc, char** argv)
{
leveldb::DB* db;
leveldb::Options options;
// 如果打开已存在数据库的时候,需要抛出错误,将以下代码插在leveldb::DB::Open方法前面
options.create_if_missing = true;
// 打开一个数据库实例
leveldb::Status status = leveldb::DB::Open(options, "/tmp/testdb", &db);
assert(status.ok());
// LevelDB提供了Put、Get和Delete三个方法对数据库进行添加、查询和删除
std::string key = "key";
std::string value = "value";
// 添加key=value
status = db->Put(leveldb::WriteOptions(), key, value);
assert(status.ok());
// 根据key查询value
status = db->Get(leveldb::ReadOptions(), key, &value);
assert(status.ok());
std::cout<
std::string key2 = "key2";
// 添加key2=value
status = db->Put(leveldb::WriteOptions(),key2,value);
assert(status.ok());
// 删除key
status = db->Delete(leveldb::WriteOptions(), key);
// 查询key2
assert(status.ok());
status = db->Get(leveldb::ReadOptions(), key2, &value);
assert(status.ok());
std::cout<
status = db->Get(leveldb::ReadOptions(), key, &value);
if (!status.ok())
{
std::cerr<
else
{
std::cout<
// 在对数据库进行了一系列的操作之后,需要对数据库进行关闭,该操作比较简单即删除该对象即可
delete db;
return 0;
}
#g++ -o main main.cpp ../leveldb/libleveldb.a -lpthread -I../leveldb/include
实例编译完成后,如下来执行即可看到结果:
#./main
value
key2==value
key: NotFound:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
当沃尔玛数据分析师首次发现 “啤酒与尿布” 的高频共现规律时,他们揭开了数据挖掘最迷人的面纱 —— 那些隐藏在消费行为背后 ...
2025-11-03这个问题精准切中了配对样本统计检验的核心差异点,理解二者区别是避免统计方法误用的关键。核心结论是:stats.ttest_rel(配对 ...
2025-11-03在 CDA(Certified Data Analyst)数据分析师的工作中,“高维数据的潜在规律挖掘” 是进阶需求 —— 例如用户行为包含 “浏览次 ...
2025-11-03在 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24