文档章节

微软BI专题-海量数据处理分析

ThinkGem
 ThinkGem
发布于 2016/07/17 16:51
字数 3282
阅读 354
收藏 2
作者: 戴子良

     本文以海量数据为背景,研究了在海量数据情况下处理和优化海量数据的方法,结合笔者自身实际工作经验,提出了比较实用和可行的海量数据处理方法及解决方案。

     笔者在实际工作中,有幸接触到海量的数据处理问题,海量数据是指数据量过大,数据格式复杂,数据中的随机情况多,不便于分类和处理的数据。对其进行处理是一项艰巨而复杂的任务,原因有以下几个方面:


1. 数据量过大 。 数据中什么情况都可能存在。如果说有10条数据,那么大不了每条去逐一检查,人为处理;如果有上百条数据,也可以考虑;如果数据上到千万级别,甚至过亿, 那就不是手工能解决的了,必须通过工具或者程序进行处理。而海量的数据中,什么情况都可能存在,例如,数据中某处格式出了问题,尤其在程序处理时,前面还 能正常处理,突然到了某个地方问题出现了,程序终止了。
2. 软硬件要求高 。系统资源占用率高。对海量的数据进行处理,除了好的方法,最重要的就是合理使用工具,合理分配系统资源。一般情况,如果处理的数据超过TB级,小型机是要考虑的,普通的服务器如果有好的方法也可以考虑,不过也必须加大CPU和内存。
3. 要求很高的处理方法和技巧 。这也是本文的写作目的所在,好的处理方法是一位工程师长期工作经验的积累,也是个人经验的总结。没有通用的处理方法,但有通用的原理和规则。


      那么处理海量数据有哪些经验和技巧呢?我把我所知道的罗列一下,以供大家参考:
确定好的建模方法和处理方案。对海量数据的处理,明确切实可行的处理方法和流程最为关键。在建立处理模型时要充分考虑到海量数据数据量大、数据格式复杂的特点,建立好的处理模型。好的处理模型应该是处理中最快的,能够便于扩展,便于处理更大的数据量,便于实施等等。

      选用优秀的数据库工具 。 现在的数据库工具厂家比较多,处理海量数据对所使用的数据库工具要求比较高,一般使用Oracle 或 者DB2,微软公司最近发布的SQL Server 2005性能也不错。另外在BI领域:数据库,数据仓库,多维数据库,数据挖掘等相关工具也要进行选择,像好的ETL工具和好的OLAP工具都十分必要, 例如Informatic、Eassbase等等。笔者在实际数据分析项目中,对每天6000万条的日志数据进行处理,使用SQL Server 2000需要花费6小时,而使用SQL Server 2005只需要花费3小时。

      编写优良的程序代码 。处理数据离不开优秀的程序代码,尤其在进行复杂数据处理时,必须使用程序。好的程序代码对数据的处理至关重要,这不仅仅是数据处理准确度的问题,更是数据处理效率的问题。良好的程序代码应该包含好的算法、好的处理流程、好的效率、好的异常处理机制等等。

      对海量数据进行分区操作 。 对海量数据进行分区操作十分必要,例如针对按年份存取的数据,我们可以按年进行分区,不同的数据库有不同的分区方式,不过处理机制大体相同。例如SQL Server的数据库分区是将不同的数据存于不同的文件组下,而不同的文件组存于不同的磁盘分区下,这样将数据分散开,减小磁盘I/O,减小了系统负荷, 而且还可以将日志、索引存放于不同的分区下。

      建立广泛的索引 。对海量的数据处理,对大 表 建立索引是必行的,建立索引要考虑到具体情况,例如针对大表的分组、排序等字段,都要建立相应索引,一般还可以建立复合索引,对经常插入的表则建立索引时 要小心。笔者在处理数据时,曾经在一个ETL流程中,当插入表时,首先删除索引,插入完毕,建立索引,并实施聚合操作,聚合完成后,再次插入前还是删除索 引,所以索引要用到好的时机,索引的填充因子和聚集、非聚集索引都要考虑。

      提高硬件条件,加大CPU和内存 。 对海量数据数据处理,必须考虑硬件条件,使用高配置服务器的。硬件条件包括加大内存,加入更多更强劲的CPU,加大硬盘空间等等。笔者在处理2TB数据 时,使用的是4个CPU,16GB内存,发现有时还会出现内存不足现象,需要进行其它方面的优化,如果这时没有足够的硬件条件做支撑,是万万不行的。

      建立缓存机制 。当数据量增加时,一般的处理工具都要考虑到缓存问题。缓存大小设置的好坏也关系到数据处理的成败,例如,笔者在处理2亿条数据聚合操作时,缓存设置为10万条/Buffer,这对于这个级别的数据量是可行的。

      加大虚拟内存 。 如果系统资源有限,内存提示不足,则可以靠增加虚拟内存来解决。笔者在实际项目中曾经遇到针对18亿条的数据进行处理,内存为1GB,1个P4 2.4G的CPU,对这么大的数据量进行聚合操作是有问题的,提示内存不足,后来采用了加大虚拟内存的方法来解决,在6块磁盘分区上分别建立了6个 4096M的磁盘分区,用于虚拟内存,这样虚拟的内存则增加为4096*6 + 1024 = 25600 M,解决了数据处理中的内存不足问题。

      分批处理 。 海量数据处理难是因为数据量大,那么解决海量数据处理难的问题其中一个技巧是减少数据量。可以对海量数据分批处理,处理后的数据再进行合并操作,这样逐个 击破,有利于小数据量的处理,不至于面对大数据量带来的问题。但这种方法也要因时因势进行,如果不允许拆分数据,还需要另想办法。不过一般按天、月、年等 存储的数据,都可以采用先分后合的方法,对数据进行分开处理。
使用临时表和中间表。数据量增加时,处理中要考虑提前汇总。这样做的目的是化整为 零,大表变小表,分块处理完成后,再利用一定的规则进行合并,处理过程中的临时表的使用和中间结果的保存都非常重要,对于超海量的数据,如果大表处理不 了,只能拆分为多个小表。如果处理过程中需要多步汇总操作,可按汇总步骤一步步来,不要一条语句完成,一口气吃成一个胖子。

      优化查询SQL语句 。 在对海量数据进行查询处理过程中,查询的SQL语句的性能对查询效率的影响是非常大的,编写高效优良的SQL脚本和存储过程是数据库工作人员的职责,也是 检验数据库工作人员水平的一个标准,在对SQL语句的编写过程中,例如减少关联,少用或不用游标,设计好高效的数据库表结构等都十分必要。笔者在工作中试 着对1亿行的数据使用游标,运行3个小时没有出结果,这时一定要改用程序处理了。

      使用文本格式进行处理 。 对一般的数据处理可以使用数据库,如果对复杂的数据处理,必须借助程序,那么在程序操作数据库和程序操作文本之间选择,是一定要选择程序操作文本的。原因 为:程序操作文本速度快;对文本进行处理不容易出错;文本的存储不受限制等等。例如一般的海量的网络日志都是文本格式或者csv格式(文本格式),对它进 行处理牵扯到数据清洗,是要利用程序进行处理的,而不建议导入数据库再做清洗。

      定制强大的清洗规则和出错处理机制 。海量数据中存在着不一致性,极有可能出现某处的瑕疵。例如,同样的数据中的时间字段,有的可能为非标准的时间,出现的原因可能为应用程序的错误,系统的错误等等。在进行数据处理时,必须制定强大的数据清洗规则和出错处理机制。

      建立视图或者物化视图 。视图中的数据来源于基表,对海量数据的处理,可以将数据按一定的规则分散到各个基表中,查询或处理过程中可以基于视图进行,这样分散了磁盘I/O,正如10根绳子吊着一根柱子和一根绳子吊着一根柱子的区别。

      避免使用32位服务器(极端情况)。 目前的计算机很多都是32位的,那么编写的程序对内存的需要便受限制,而很多的海量数据处理是必须大量消耗内存的,这便要求更好性能的服务器,其中对位数的限制也十分重要。

      考虑操作系统问题 。海量数据处理过程中,除了对数据库、处理程序等要求比较高以外,对操作系统的要求也放到了重要的位置,一般是必须使用服务器的,而且对系统的安全性和稳定性等要求也比较高。尤其对操作系统自身的缓存机制、临时空间的处理等问题都需要综合考虑。

       使用数据仓库和多维数据库存储 。数据量加大是一定要考虑OLAP的,传统的报表可能5、6个小时出来结果,而基于Cube的查询可能只需要几分钟,因此处理海量数据的利器是OLAP多维分析,即建立数据仓库,建立多维数据集,基于多维数据集进行报表展现和数据挖掘等等。

      使用采样数据,进行数据挖掘 。 基于海量数据的数据挖掘正在逐步兴起,面对着超海量的数据,一般的挖掘软件或算法往往采用数据抽样的方式进行处理,这样的误差不会很大,大大提高了处理效 率和处理的成功率。一般采样时要注意数据的完整性,防止过大的偏差。笔者曾经对1亿2千万行的表数据进行采样,抽取出400万行,经测试软件测试处理的误 差仅为千分之五,客户可以接受。
      还有一些方法,需要在不同的情况和场合下运用,例如使用代理键等操作,这样的好处是加快了聚合时间,因为对数值型的聚合比对字符型的聚合快得多。类似的情况需要针对不同的需求进行处理。
海量数据是发展趋势,对数据分析和挖掘也越来越重要,从海量数据中提取有用信息重要而紧迫,这便要求处理要准确,精度要高,而且处理时间要短,得到有价值信息要快,所以,对海量数据的研究很有前途,也很值得进行广泛深入的研究。

      关于作者
      戴子良,北京迈思奇科技有限公司(www.minesage.com )咨询顾问,微软MCP,ETL专家。在数据仓库、数据清洗、数据整合和多维数据库方面有很深的造诣,负责企业级数据仓库建模、ETL、数据仓库实现、调度、海量数据的优化处理以及数据挖掘等等。

本文转载自:http://thinkgem.iteye.com/blog/735478

共有 人打赏支持
ThinkGem

ThinkGem

粉丝 991
博文 137
码字总数 22174
作品 1
济南
架构师
私信 提问
7 款顶级开源 BI(商务智能)软件和报表工具

在这个信息化时代,每分每秒都产生海量数据。在海量数据中,挖掘出有用的数据,并且能以较人性化、直观的方式展示这些数据,变得尤为重要。本文将介绍 7款顶级开源 BI(商务智能)软件和报表...

催呀催呀
2016/06/29
6.6K
22
精彩预告!微软大数据专家带你玩转图数据分析与处理!

感谢关注天善智能,走好数据之路↑↑↑ 欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答、求职一站式搞定! 微课主题 大数据分析之图数...

天善智能
2017/11/23
0
0
DataHunter相比于传统BI有哪些优势?

如今,企业在日常运营中越来越需要数据的支撑,商业智能产品也因此得到了更多的关注。而随着企业内部IT环境愈发复杂以及业务更加多变,传统BI产品已无法满足企业对于数据分析的需求。与此同时...

DataHunter小数
05/08
0
0
物联网平台构架系列 (四):Amazon, Microsoft, IBM IoT 解决方案导论 之 平台

最近研究了一些物联网平台技术资料,以做选型参考。脑子里积累大量信息,便想写出来做一些普及。作为科普文章,力争通俗易懂,不确保概念严谨性。我会给考据癖者提供相关英文链接,以便深入研...

冯立超
2017/05/08
0
0
盘点2016:全球最具影响力的10大数据公司

近几年来“大数据”可谓蓬勃发展。NewVantage Partners在2016年的大数据管理调查结果中表明,62.5%的公司现在至少有一个数据项目投入生产,只有5.4%的公司没有数据应用计划,或者是没有正在...

licunlan0904
2017/01/13
0
0

没有更多内容

加载失败,请刷新页面

加载更多

小白创建一个spring boot项目

进入 https://start.spring.io/

lilugirl
今天
2
0
Alibaba Java诊断利器Arthas实践--使用redefine排查应用奇怪的日志来源

背景 随着应用越来越复杂,依赖越来越多,日志系统越来越混乱,有时会出现一些奇怪的日志,比如: [] [] [] No credential found 那么怎样排查这些奇怪的日志从哪里打印出来的呢?因为搞不清...

hengyunabc
今天
2
0
home hosts

home hosts lwk@qwfys:~$ cat /etc/hosts127.0.0.1 localhost127.0.1.1 qwfys192.168.56.101vm600.qwfys.com39.108.212.91alpha1.ppy.com39.108.117.122alpha2.p......

qwfys
今天
3
0
大数据教程(6.1)hadoop生态圈介绍及就业前景

1. HADOOP背景介绍 1.1、什么是HADOOP 1.HADOOP是apache旗下的一套开源软件平台 2.HADOOP提供的功能:利用服务器集群,根据用户的自定义业务逻辑,对海量数据进行分布式处理 3.HADOOP的核心组...

em_aaron
今天
5
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部