1、php+mysql百万级数据怎么排序
php+mysql百万级数据排序
php+mysql百万级数据分页。因涉及多表多条件联合查询。谁能帮忙优化下面的查询语句。
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");------解决方案--------------------
某种意义上说，你应该采取冗余设计，以冗余换效率，这就是所谓的反范式设计
2、有什么cms能比较完善的负载千万级数据。
都可以设置成伪静态.
但是伪静态效率实在是很差.
3、哪个免费的cms支持超100万的文章量还能生成的
一般目前主流的CMS都能够胜任100万的数据量。当然asp+access的除外。
推荐使用以下几种:
1:dedecms v57版，目前是免费开源的。php+mysql
2：帝国CMS7.0版，有免费版和商业版，商业版支持无限分表，理论上可存储上亿的数据。php+mysql
3:phpcms V9 php+mysql
4:动易Site Factory CMS asp.net+mssql
具体选择哪种，根据实际需求而定。
4、关于数据库，有个十万级、百万级数据库概念，请问十万、百万指的是什么？
我认为 这个划分 是从 数据量上来的。
就是你的数据表里的数据，能达到十万条以上，然后在这个数据量上进行操作。
5、国内CMS系统排名？目前有比较权威的数据吗？
看到网上到处发了很多CMS系统排名的软文，发现真的很扯淡，甚至有些系统都没用过的也胡乱评论一翻，之后突出他要推广的CMS系统，作为曾经在某CMS软件公司呆过很长时间的我实在无法接受，出来瞎聊几句，欢迎批评指点。
首先，CMS系统在行业内从未有排名说法，因为没有任何的评判标准，所以也就没有排名高低之分。要是硬说要对CMS进行一个排名的话，个人认为只能从以下几个方面进行简单对比：
1、 用户数量；
2、 系统功能丰富程度；
3、 系统稳定性、负载能力（动态并发访问量）；
4、 系统安全性(专业检测扫描报告)；
5、 系统的易用性及扩展性；
为什么我要说是简单对比，因为对于一个CMS系统来说，你单拿任何一个点来评判，都会有无法对比的情况，首先从技术角度来说，CMS系统开发语言不同，有.NET平台的，有ASP的，有PHP的，有JAVA的，还有其他各种各样的，这些开发语言你就没法有一个准确的对比，就好像中文和英文，你怎么评判哪种语言好坏？
首先我们从用户数上来看看各家的局面：
用户排名第一：动易CMS
动易作为国内最早的CMS开发商之一，曾经有过一段极度辉煌的时期，可惜老板没抓住机会发展，错过了黄金发展阶段。但是在用户数上来说，一直保持着领先低位，主要功劳还是得益于2006年的高峰阶段，当时使用动易系统的用户将近25万（含非商业用户），在国内网站市场占比达到20%左右，动易论坛每天在线人数可达3万人，注册用户数23万多，可说是动易的盛世时期。当时的动易CMS还是采用的ASP开发，简单易用，所以个人站长之类的极其推崇。自此高峰期之后，动易沉醉于每天主动寻上面来的订单而忘记了后面追赶的狼，后面的一两年都没有什么创新突破，更是在2008年推出了.NET系统后，由于页面设计难度较高，加上新系统价格提升，大部分用户依旧使用着ASP老系统。动易没有一个灵活的过渡发展方案，导致大部分的用户停留在旧系统，或者分流到了风讯、科讯、帝国、织梦、PHPCMS等系统中，至此，动易用户开始萎缩。
用户排名第二档：织梦、PHPCMS、帝国……
其实较真来说，第二用户量的CMS没法进行核对，因为没有准确数据参考，只能按大概评估去进行归属。织梦之所以分到了第二档，首先是织梦使用的免费策略，吸引了大批的个人站长用户，加上动易转型.NET后，大量动易用户不适应而选择了采用PHP开发的织梦系统。但是随着创始人IT柏拉图的离开，织梦经营策略进行了改变，将着重于商业系统解决方案的方向发展。这对于那些使用惯了免费系统的个人站长们来说并不是件好事。织梦离开IT柏拉图之后，其用户量也就缺乏了增长的动力。
而另一个CMS系统PHPCMS可谓是和动易一起成长的兄弟企业，其创始人“淡淡风”与动易“WEBBOY”经常在网上论剑，一时亮瑜。随着CMS发展进入低谷，随着酷六收购PHPCMS,淡淡风宣布离开,PHPCMS发了新系统，受广大用户质疑，随之而来的是用户的离去，再后来就是淡淡风重新创立公司CMPTOP，对与PHPCMS来说更是一次打击，从此走上了下坡路。
用户排名第三档：TRS、中科汇联、南京大汉……
为什么把拓尔思、中科汇联、南京大汉这类公司归属在CMS用户排名的第三档，主要是因为这类公司已经不纯属是做CMS产品的公司，他们更多的是项目型公司，不以产品用户数取胜。当然这类公司不止这三家，包括开普互联、CMSTOP、西安博达、西部动力等，当然智宇软件也属于项目型公司，以提供信息化解决方案服务为主要业务。
拓尔思早期也提供产品，后来转型做项目，当然它也是行业内的龙头企业，主要做高端项目为主，大部分客户是部委、军队、省厅级政府单位，也是CMS行业内唯一的一家上市公司。（PS:西安博达、动易软件、中科汇联这类挂新三板的上市公司不要出声，新三板那是交钱就可以弄上去的，没什么意义，只能忽悠不懂新三板的人。你让智宇软件花个几万块找证券公司也可以进行新三板挂牌，没多少意义，又不衡量业绩，也不管盈利亏损，挂牌上去有什么知道宣传？大家不要喷我，实在是被中国股市坑太惨了。）言归正传，像拓尔思这里公司已经属于边缘化的CMS公司，成为多元化发展软件科技公司，这两年更是转型到安全领域，公司的主要营收将不再是网站建设服务。中科汇联、开普互联、南京大汉这些公司一样，慢慢的就去产品化，成为解决方案应用服务提供商。
论用户数排名，大概也就简单聊这些了吧，总体而已国内CMS行业已经白热化，早期很多做CMS的企业已经在历史的浪潮中慢慢死去或者转型，留下的大部分是在吃老本，苟延残喘。就现在互联网形势来说，个人站长几乎没几个能保持盈利增长的，甚至很多是连服务器租用费都收不回来，所以CMS行业靠用户数比拼的时代已经过去，只有转型做商业化服务，提供更全面的服务才会有出路。比较各家CMS之间的功能也同化得差不多了，也没有哪家在研发创新功能，随之而来的只能是炒冷饭，换界面，而功能也就那么几样，2006年那会还有个动易龙头可以抄下功能，现在动易自己都得去抄别人了，你还能有什么创新发展可言？
接下来内容论述敬请留意后续……
转载请注明来自于智宇软件http://www.smartsung.com/
6、大数据量用什么cms做比较好
大数据量一般都是用开发框架了，例如yaf, phalcon, tp5, ci等等, cms只适合快速建站, 不适用于大流量访问的网站。
7、如何对百万级的数据进行数据分析
1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于
统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
8、单表数据量上百万后 怎么提高查询速度 帝国cms
你应该把上百万控制在50w就进行分表，上百万你当真以为可以很好的查询专那就错了，不是不可以属也可以 就是需要读写分离 在数据表绑定优化方案 最大查询天数为30-60天 这样一来就可以做到速度加快 如果你还不分表 恐怕没什么提高方法 帝国cms的表本来就是如此
9、经常听说一些十万级，百万级数据库，请问这个十万级
药厂房一般有万级，十万级和三十万级，其中以十万级（灌装，内包装）及三十万级最多，十万级较三十万级洁净度卫生要严格很多。详见附件。监测项目 技术要求 监测方法 监测频次
温度 18~28℃(十万级、三十万级) JGJ71-90 1次/班
湿度 45~65%(十万级、三十万级) JGJ71-90 1次/班
换气次数 十万级≥15次/小时 JGJ71-90 1次/月
三十万级≥12次/小时
静压差 ≥5PA(不同洁净级别洁净室(区)之间 JGJ71-90 1次/月
≥10PA(洁净室(区)与室外)
≥5PA(洁净室(区)之间与非洁净室(区))
尘埃粒子 ≥0.5μm ≥5μm GB/T16292-1996 1次/季
十万级
≤3500000个/M3 ≤20000个/M3
三十万级
≤10500000个/M3 ≤60000个/M3
浮游菌 十万级≤500个/M3 GB/T16293-1996 1次/季
沉降菌 十万级≤10个/皿 GB/T16294-1996 1次/周