处理百万级数据时，可以根据具体需求和场景选择合适的程序和方法。以下是一些建议：
爬虫程序
Scrapy：适用于大规模数据抓取，具有强大的内置功能和较好的扩展性。通过编写爬虫策略和页面分析，可以高效地爬取大量数据。
数据处理程序
Python：利用Python的内置函数和第三方库（如Pandas、NumPy）可以轻松处理和分析大规模数据。例如，可以使用Pandas库进行数据清洗、转换和聚合操作。
Java：使用Java的BigInteger类可以处理大数运算，适合进行百万位数的计算。此外，Java也可以结合Spring Data JPA等框架进行高效的数据处理和数据库操作。
数据库程序
关系型数据库（RDBMS）：如MySQL、Oracle和SQL Server等，适用于结构化数据存储和复杂查询。可以通过建立索引、优化查询语句和事务处理来提高性能。
列式数据库：如Apache Cassandra和Amazon Redshift，适用于大规模数据存储和快速查询。列式数据库将数据按列存储，可以提高查询性能和压缩率。
非关系型数据库（NoSQL）：如MongoDB和Couchbase，适用于非结构化和半结构化数据存储。这些数据库具有高可扩展性和高性能，适合处理大量数据和高并发访问。
分布式数据库：如Google Bigtable和Apache Hadoop，适用于将数据分布在多个物理节点上，提高数据的可扩展性和容错性。
数据导入导出工具
Excel：可以使用POI库进行SAX解析，将数据一行一行读取到Redis队列中，然后批量写入数据库。也可以使用SXSSF进行流式导入，内存中只保留指定数据量。
其他工具
Tecplot 360 EX：支持多语言和多操作系统，适用于大数据显示和分析，但主要用于设计人员。
根据具体需求和场景，可以选择合适的程序和方法来处理百万级数据。如果需要抓取数据，Scrapy是一个强大的工具；如果需要处理和分析数据，Python和Java都是不错的选择；如果需要存储和查询大规模数据，关系型数据库、列式数据库和非关系型数据库各有优势。