my_leveldb google / leveldb是一个高级的kv数据库，支持单机十亿级的数据存储和每秒百万级的写入速度，很多开源程序的项目都是基于leveldb去开发高级的分布式数据库，这里阅读代码，并一行一行跟着源码实现，体会大佬等级的代码和设计精髓。 LSM树SST

leveldb比较新的版本，包含32位和64位的lib。工作上用的。

mnist数据集包括leveldb和lmdb格式

Leveldb是一个google实现的非常高效的kv数据库,资源为leveldb实现分析 pdf版本，内容清晰，简介，详实。

leveldb 基准测试 一堆使用 node.js 使用 leveldb 测试各种事物的基准测试 批量插入 leveldb 有一个batch API，如果使用得当，可以提高批量插入的性能。 对此的基准位于以下存储库中： 这个基准的要点： 等待批量写入完成，然后再写入另一个 设置writeBufferSize选项以匹配批处理中数据的字节大小。 通常大于 16MB 的值没有区别 最好提前写入小批量，而不是等待批处理缓冲区填满然后再写入批处理 索引查询速度 leveldb 中的键按字典顺序排序，您可以直接获取键（如果您提前知道键），也可以在任何起始键位置创建迭代器并向前或向后迭代，直到找到第一个匹配的键。 以下存储库具有探索在 leveldb 中建立索引的不同方法的基准： 事实证明，保留二级索引的速度大约是其两倍，但这显然会占用更多的磁盘空间。 索引大小 leveldb 使用 snapp

leveldb实现解析.pdf

ir-python 用于信息检索任务的python实现，包括正向/反向索引，基本检索模型（例如BM25，uni-gram语言模型）。 索引模块对LevelDB（ ）使用线程安全的Python绑定。 LevelDB是快速键值存储库。 运行：sh buildIndex.sh tokenize语料库：buildIndex_tokenize.py输入：Robust2004语料库输出：〜/ Documents / ir / Robust2004 / result / tokenize / 从标记化语料库中提取文档信息：buildIndex_extract.py输入：标记化语料库输出：将单词转换为term_ids到文件/doc.extract格式：[doc_id \ t term_id \ t term_tf \ t position_in_doc] 按编号顺序对/doc.extract中

由于python leveldb在windows上使用需要复杂的编译过程，故提供可以直接用的pyd文件leveldb.pyd，可以直接放在site-package目录下然后import leveldb； 如果需要dll文件，也有相应提供leveldb.dll和编译中间文件，可能用到的snappy.lib

数据集为上万条数据，每行中各数据间以“，”分隔，以其中一行为例： 2596,51,3,258,0,510,221,232,148,6279,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,5

HBase、Redis、MongoDB、Couchbase、LevelDB对比