1、php+mysql百萬級數據怎麼排序
php+mysql百萬級數據排序
php+mysql百萬級數據分頁。因涉及多表多條件聯合查詢。誰能幫忙優化下面的查詢語句。
if(empty($wheresql)){
$wheresql="where aid>=(SELECT aid FROM `tj_logs` LIMIT $sqlfirst,1) limit $shownu";}else{
$wheresql.=" and aid>=(SELECT aid FROM `tj_logs` LIMIT $sqlfirst,1) limit $shownu";}
$query=mysql_query("SELECT DISTINCT A.*,B.url,C.username FROM `tj_logs` A LEFT JOIN `tj_domain` B ON A.wid=B.wid LEFT JOIN `tj_members` C ON A.uid=C.uid $wheresql");------解決方案--------------------
某種意義上說，你應該採取冗餘設計，以冗餘換效率，這就是所謂的反範式設計
2、有什麼cms能比較完善的負載千萬級數據。
都可以設置成偽靜態.
但是偽靜態效率實在是很差.
3、哪個免費的cms支持超100萬的文章量還能生成的
一般目前主流的CMS都能夠勝任100萬的數據量。當然asp+access的除外。
推薦使用以下幾種:
1:dedecms v57版，目前是免費開源的。php+mysql
2：帝國CMS7.0版，有免費版和商業版，商業版支持無限分表，理論上可存儲上億的數據。php+mysql
3:phpcms V9 php+mysql
4:動易Site Factory CMS asp.net+mssql
具體選擇哪種，根據實際需求而定。
4、關於資料庫，有個十萬級、百萬級資料庫概念，請問十萬、百萬指的是什麼？
我認為 這個劃分 是從 數據量上來的。
就是你的數據表裡的數據，能達到十萬條以上，然後在這個數據量上進行操作。
5、國內CMS系統排名？目前有比較權威的數據嗎？
看到網上到處發了很多CMS系統排名的軟文，發現真的很扯淡，甚至有些系統都沒用過的也胡亂評論一翻，之後突出他要推廣的CMS系統，作為曾經在某CMS軟體公司呆過很長時間的我實在無法接受，出來瞎聊幾句，歡迎批評指點。
首先，CMS系統在行業內從未有排名說法，因為沒有任何的評判標准，所以也就沒有排名高低之分。要是硬說要對CMS進行一個排名的話，個人認為只能從以下幾個方面進行簡單對比：
1、 用戶數量；
2、 系統功能豐富程度；
3、 系統穩定性、負載能力（動態並發訪問量）；
4、 系統安全性(專業檢測掃描報告)；
5、 系統的易用性及擴展性；
為什麼我要說是簡單對比，因為對於一個CMS系統來說，你單拿任何一個點來評判，都會有無法對比的情況，首先從技術角度來說，CMS系統開發語言不同，有.NET平台的，有ASP的，有PHP的，有JAVA的，還有其他各種各樣的，這些開發語言你就沒法有一個准確的對比，就好像中文和英文，你怎麼評判哪種語言好壞？
首先我們從用戶數上來看看各家的局面：
用戶排名第一：動易CMS
動易作為國內最早的CMS開發商之一，曾經有過一段極度輝煌的時期，可惜老闆沒抓住機會發展，錯過了黃金發展階段。但是在用戶數上來說，一直保持著領先低位，主要功勞還是得益於2006年的高峰階段，當時使用動易系統的用戶將近25萬（含非商業用戶），在國內網站市場佔比達到20%左右，動易論壇每天在線人數可達3萬人，注冊用戶數23萬多，可說是動易的盛世時期。當時的動易CMS還是採用的ASP開發，簡單易用，所以個人站長之類的極其推崇。自此高峰期之後，動易沉醉於每天主動尋上面來的訂單而忘記了後面追趕的狼，後面的一兩年都沒有什麼創新突破，更是在2008年推出了.NET系統後，由於頁面設計難度較高，加上新系統價格提升，大部分用戶依舊使用著ASP老系統。動易沒有一個靈活的過渡發展方案，導致大部分的用戶停留在舊系統，或者分流到了風訊、科訊、帝國、織夢、PHPCMS等系統中，至此，動易用戶開始萎縮。
用戶排名第二檔：織夢、PHPCMS、帝國……
其實較真來說，第二用戶量的CMS沒法進行核對，因為沒有準確數據參考，只能按大概評估去進行歸屬。織夢之所以分到了第二檔，首先是織夢使用的免費策略，吸引了大批的個人站長用戶，加上動易轉型.NET後，大量動易用戶不適應而選擇了採用PHP開發的織夢系統。但是隨著創始人IT柏拉圖的離開，織夢經營策略進行了改變，將著重於商業系統解決方案的方向發展。這對於那些使用慣了免費系統的個人站長們來說並不是件好事。織夢離開IT柏拉圖之後，其用戶量也就缺乏了增長的動力。
而另一個CMS系統PHPCMS可謂是和動易一起成長的兄弟企業，其創始人「淡淡風」與動易「WEBBOY」經常在網上論劍，一時亮瑜。隨著CMS發展進入低谷，隨著酷六收購PHPCMS,淡淡風宣布離開,PHPCMS發了新系統，受廣大用戶質疑，隨之而來的是用戶的離去，再後來就是淡淡風重新創立公司CMPTOP，對與PHPCMS來說更是一次打擊，從此走上了下坡路。
用戶排名第三檔：TRS、中科匯聯、南京大漢……
為什麼把拓爾思、中科匯聯、南京大漢這類公司歸屬在CMS用戶排名的第三檔，主要是因為這類公司已經不純屬是做CMS產品的公司，他們更多的是項目型公司，不以產品用戶數取勝。當然這類公司不止這三家，包括開普互聯、CMSTOP、西安博達、西部動力等，當然智宇軟體也屬於項目型公司，以提供信息化解決方案服務為主要業務。
拓爾思早期也提供產品，後來轉型做項目，當然它也是行業內的龍頭企業，主要做高端項目為主，大部分客戶是部委、軍隊、省廳級政府單位，也是CMS行業內唯一的一家上市公司。（PS:西安博達、動易軟體、中科匯聯這類掛新三板的上市公司不要出聲，新三板那是交錢就可以弄上去的，沒什麼意義，只能忽悠不懂新三板的人。你讓智宇軟體花個幾萬塊找證券公司也可以進行新三板掛牌，沒多少意義，又不衡量業績，也不管盈利虧損，掛牌上去有什麼知道宣傳？大家不要噴我，實在是被中國股市坑太慘了。）言歸正傳，像拓爾思這里公司已經屬於邊緣化的CMS公司，成為多元化發展軟體科技公司，這兩年更是轉型到安全領域，公司的主要營收將不再是網站建設服務。中科匯聯、開普互聯、南京大漢這些公司一樣，慢慢的就去產品化，成為解決方案應用服務提供商。
論用戶數排名，大概也就簡單聊這些了吧，總體而已國內CMS行業已經白熱化，早期很多做CMS的企業已經在歷史的浪潮中慢慢死去或者轉型，留下的大部分是在吃老本，苟延殘喘。就現在互聯網形勢來說，個人站長幾乎沒幾個能保持盈利增長的，甚至很多是連伺服器租用費都收不回來，所以CMS行業靠用戶數比拼的時代已經過去，只有轉型做商業化服務，提供更全面的服務才會有出路。比較各家CMS之間的功能也同化得差不多了，也沒有哪家在研發創新功能，隨之而來的只能是炒冷飯，換界面，而功能也就那麼幾樣，2006年那會還有個動易龍頭可以抄下功能，現在動易自己都得去抄別人了，你還能有什麼創新發展可言？
接下來內容論述敬請留意後續……
轉載請註明來自於智宇軟體http://www.smartsung.com/
6、大數據量用什麼cms做比較好
大數據量一般都是用開發框架了，例如yaf, phalcon, tp5, ci等等, cms只適合快速建站, 不適用於大流量訪問的網站。
7、如何對百萬級的數據進行數據分析
1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。
大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於
統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
8、單表數據量上百萬後 怎麼提高查詢速度 帝國cms
你應該把上百萬控制在50w就進行分表，上百萬你當真以為可以很好的查詢專那就錯了，不是不可以屬也可以 就是需要讀寫分離 在數據表綁定優化方案 最大查詢天數為30-60天 這樣一來就可以做到速度加快 如果你還不分表 恐怕沒什麼提高方法 帝國cms的表本來就是如此
9、經常聽說一些十萬級，百萬級資料庫，請問這個十萬級
葯廠房一般有萬級，十萬級和三十萬級，其中以十萬級（灌裝，內包裝）及三十萬級最多，十萬級較三十萬級潔凈度衛生要嚴格很多。詳見附件。監測項目 技術要求 監測方法 監測頻次
溫度 18~28℃(十萬級、三十萬級) JGJ71-90 1次/班
濕度 45~65%(十萬級、三十萬級) JGJ71-90 1次/班
換氣次數 十萬級≥15次/小時 JGJ71-90 1次/月
三十萬級≥12次/小時
靜壓差 ≥5PA(不同潔凈級別潔凈室(區)之間 JGJ71-90 1次/月
≥10PA(潔凈室(區)與室外)
≥5PA(潔凈室(區)之間與非潔凈室(區))
塵埃粒子 ≥0.5μm ≥5μm GB/T16292-1996 1次/季
十萬級
≤3500000個/M3 ≤20000個/M3
三十萬級
≤10500000個/M3 ≤60000個/M3
浮游菌 十萬級≤500個/M3 GB/T16293-1996 1次/季
沉降菌 十萬級≤10個/皿 GB/T16294-1996 1次/周