筆者在實(shí)際工作中，有幸接觸到海量的數(shù)據(jù)處理問題，海量數(shù)據(jù)是指數(shù)據(jù)量過大，數(shù)據(jù)格式復(fù)雜，數(shù)據(jù)中的隨機(jī)情況多，不便于分類和處理的數(shù)據(jù)。對其進(jìn)行處理是一項艱巨而復(fù)雜的任務(wù)，原因有以下幾個方面：
1. 數(shù)據(jù)量過大。數(shù)據(jù)中什么情況都可能存在。如果說有10條數(shù)據(jù)，那么大不了每條去逐一檢查，人為處 理；如果有上百條數(shù)據(jù)，也可以考慮；如果數(shù)據(jù)上到千萬級別，甚至過億，那就不是手工能解決的了，必須通過工具或者程序進(jìn)行處理。而海量的數(shù)據(jù)中，什么情況 都可能存在，例如，數(shù)據(jù)中某處格式出了問題，尤其在程序處理時，前面還能正常處理，突然到了某個地方問題出現(xiàn)了，程序終止了。
2. 軟硬件要求高。系統(tǒng)資源占用率高。對海量的數(shù)據(jù)進(jìn)行處理，除了好的方法，最重要的就是合理使用工具，合理分配系統(tǒng)資源。一般情況，如果處理的數(shù)據(jù)超過TB級，小型機(jī)是要考慮的，普通的服務(wù)器如果有好的方法也可以考慮，不過也必須加大CPU和內(nèi)存。
3. 要求很高的處理方法和技巧。這也是本文的寫作目的所在，好的處理方法是一位工程師長期工作經(jīng)驗(yàn)的積累，也是個人經(jīng)驗(yàn)的總結(jié)。沒有通用的處理方法，但有通用的原理和規(guī)則。
那么處理海量數(shù)據(jù)有哪些經(jīng)驗(yàn)和技巧呢？我把我所知道的羅列一下，以供大家參考：
確定好的建模方法和處理方案。對海量數(shù)據(jù)的處理，明確切實(shí)可行的處理方法和流程最為關(guān)鍵。在建立處理模型時要充分考慮到海量數(shù)據(jù)數(shù)據(jù)量大、數(shù)據(jù)格式復(fù)雜的特點(diǎn)，建立好的處理模型。好的處理模型應(yīng)該是處理中最快的，能夠便于擴(kuò)展，便于處理更大的數(shù)據(jù)量，便于實(shí)施等等。
選用優(yōu)秀的數(shù)據(jù)庫工具。 現(xiàn)在的數(shù)據(jù)庫工具廠家比較多，處理海量數(shù)據(jù)對所使用的數(shù)據(jù)庫工具要求比較高，一般使用Oracle或者DB2，微軟公司最近發(fā)布的SQL Server 2005性能也不錯。另外在BI領(lǐng)域：數(shù)據(jù)庫，數(shù)據(jù)倉庫，多維數(shù)據(jù)庫，數(shù)據(jù)挖掘等相關(guān)工具也要進(jìn)行選擇，像好的ETL工具和好的OLAP工具都十分必要， 例如Informatic、Eassbase等等。筆者在實(shí)際數(shù)據(jù)分析項目中，對每天6000萬條的日志數(shù)據(jù)進(jìn)行處理，使用SQL Server 2000需要花費(fèi)6小時，而使用SQL Server 2005只需要花費(fèi)3小時。
編寫優(yōu)良的程序代碼。處理數(shù)據(jù)離不開優(yōu)秀的程序代碼，尤其在進(jìn)行復(fù)雜數(shù)據(jù)處理時，必須使用程序。好的程序代碼對數(shù)據(jù)的處理至關(guān)重要，這不僅僅是數(shù)據(jù)處理準(zhǔn)確度的問題，更是數(shù)據(jù)處理效率的問題。良好的程序代碼應(yīng)該包含好的算法、好的處理流程、好的效率、好的異常處理機(jī)制等等。
對海量數(shù)據(jù)進(jìn)行分區(qū)操作。 對海量數(shù)據(jù)進(jìn)行分區(qū)操作十分必要，例如針對按年份存取的數(shù)據(jù)，我們可以按年進(jìn)行分區(qū)，不同的數(shù)據(jù)庫有不同的分區(qū)方式，不過處理機(jī)制大體相同。例如SQL Server的數(shù)據(jù)庫分區(qū)是將不同的數(shù)據(jù)存于不同的文件組下，而不同的文件組存于不同的磁盤分區(qū)下，這樣將數(shù)據(jù)分散開，減小磁盤I/O，減小了系統(tǒng)負(fù)荷， 而且還可以將日志、索引存放于不同的分區(qū)下。
建立廣泛的索引。對海量的數(shù)據(jù)處理，對大表 建立索引是必行的，建立索引要考慮到具體情況，例如針對大表的分組、排序等字段，都要建立相應(yīng)索引，一般還可以建立復(fù)合索引，對經(jīng)常插入的表則建立索引時 要小心。筆者在處理數(shù)據(jù)時，曾經(jīng)在一個ETL流程中，當(dāng)插入表時，首先刪除索引，插入完畢，建立索引，并實(shí)施聚合操作，聚合完成后，再次插入前還是刪除索 引，所以索引要用到好的時機(jī)，索引的填充因子和聚集、非聚集索引都要考慮。
提高硬件條件，加大CPU和內(nèi)存。 對海量數(shù)據(jù)數(shù)據(jù)處理，必須考慮硬件條件，使用高配置服務(wù)器的。硬件條件包括加大內(nèi)存，加入更多更強(qiáng)勁的CPU，加大硬盤空間等等。筆者在處理2TB數(shù)據(jù) 時，使用的是4個CPU，16GB內(nèi)存，發(fā)現(xiàn)有時還會出現(xiàn)內(nèi)存不足現(xiàn)象，需要進(jìn)行其它方面的優(yōu)化，如果這時沒有足夠的硬件條件做支撐，是萬萬不行的。
建立緩存機(jī)制。當(dāng)數(shù)據(jù)量增加時，一般的處理工具都要考慮到緩存問題。緩存大小設(shè)置的好壞也關(guān)系到數(shù)據(jù)處理的成敗，例如，筆者在處理2億條數(shù)據(jù)聚合操作時，緩存設(shè)置為10萬條/Buffer，這對于這個級別的數(shù)據(jù)量是可行的。
加大虛擬內(nèi)存。 如果系統(tǒng)資源有限，內(nèi)存提示不足，則可以靠增加虛擬內(nèi)存來解決。筆者在實(shí)際項目中曾經(jīng)遇到針對18億條的數(shù)據(jù)進(jìn)行處理，內(nèi)存為1GB，1個P4 2.4G的CPU，對這么大的數(shù)據(jù)量進(jìn)行聚合操作是有問題的，提示內(nèi)存不足，后來采用了加大虛擬內(nèi)存的方法來解決，在6塊磁盤分區(qū)上分別建立了6個 4096M的磁盤分區(qū)，用于虛擬內(nèi)存，這樣虛擬的內(nèi)存則增加為4096*6 + 1024 = 25600 M，解決了數(shù)據(jù)處理中的內(nèi)存不足問題。
分批處理。 海量數(shù)據(jù)處理難是因?yàn)閿?shù)據(jù)量大，那么解決海量數(shù)據(jù)處理難的問題其中一個技巧是減少數(shù)據(jù)量?？梢詫Ａ繑?shù)據(jù)分批處理，處理后的數(shù)據(jù)再進(jìn)行合并操作，這樣逐個 擊破，有利于小數(shù)據(jù)量的處理，不至于面對大數(shù)據(jù)量帶來的問題。但這種方法也要因時因勢進(jìn)行，如果不允許拆分?jǐn)?shù)據(jù)，還需要另想辦法。不過一般按天、月、年等 存儲的數(shù)據(jù)，都可以采用先分后合的方法，對數(shù)據(jù)進(jìn)行分開處理。
使用臨時表和中間表。數(shù)據(jù)量增加時，處理中要考慮提前匯總。這樣做的目的是化整為 零，大表變小表，分塊處理完成后，再利用一定的規(guī)則進(jìn)行合并，處理過程中的臨時表的使用和中間結(jié)果的保存都非常重要，對于超海量的數(shù)據(jù)，如果大表處理不 了，只能拆分為多個小表。如果處理過程中需要多步匯總操作，可按匯總步驟一步步來，不要一條語句完成，一口氣吃成一個胖子。
優(yōu)化查詢SQL語句。 在對海量數(shù)據(jù)進(jìn)行查詢處理過程中，查詢的SQL語句的性能對查詢效率的影響是非常大的，編寫高效優(yōu)良的SQL腳本和存儲過程是數(shù)據(jù)庫工作人員的職責(zé)，也是 檢驗(yàn)數(shù)據(jù)庫工作人員水平的一個標(biāo)準(zhǔn)，在對SQL語句的編寫過程中，例如減少關(guān)聯(lián)，少用或不用游標(biāo)，設(shè)計好高效的數(shù)據(jù)庫表結(jié)構(gòu)等都十分必要。筆者在工作中試 著對1億行的數(shù)據(jù)使用游標(biāo)，運(yùn)行3個小時沒有出結(jié)果，這時一定要改用程序處理了。
使用文本格式進(jìn)行處理。 對一般的數(shù)據(jù)處理可以使用數(shù)據(jù)庫，如果對復(fù)雜的數(shù)據(jù)處理，必須借助程序，那么在程序操作數(shù)據(jù)庫和程序操作文本之間選擇，是一定要選擇程序操作文本的。原因 為：程序操作文本速度快；對文本進(jìn)行處理不容易出錯；文本的存儲不受限制等等。例如一般的海量的網(wǎng)絡(luò)日志都是文本格式或者csv格式（文本格式），對它進(jìn) 行處理牽扯到數(shù)據(jù)清洗，是要利用程序進(jìn)行處理的，而不建議導(dǎo)入數(shù)據(jù)庫再做清洗。
定制強(qiáng)大的清洗規(guī)則和出錯處理機(jī)制。海量數(shù)據(jù)中存在著不一致性，極有可能出現(xiàn)某處的瑕疵。例如，同樣的數(shù)據(jù)中的時間字段，有的可能為非標(biāo)準(zhǔn)的時間，出現(xiàn)的原因可能為應(yīng)用程序的錯誤，系統(tǒng)的錯誤等等。在進(jìn)行數(shù)據(jù)處理時，必須制定強(qiáng)大的數(shù)據(jù)清洗規(guī)則和出錯處理機(jī)制。
建立視圖或者物化視圖。視圖中的數(shù)據(jù)來源于基表，對海量數(shù)據(jù)的處理，可以將數(shù)據(jù)按一定的規(guī)則分散到各個基表中，查詢或處理過程中可以基于視圖進(jìn)行，這樣分散了磁盤I/O，正如10根繩子吊著一根柱子和一根繩子吊著一根柱子的區(qū)別。
避免使用32位服務(wù)器（極端情況）。目前的計算機(jī)很多都是32位的，那么編寫的程序?qū)?nèi)存的需要便受限制，而很多的海量數(shù)據(jù)處理是必須大量消耗內(nèi)存的，這便要求更好性能的服務(wù)器，其中對位數(shù)的限制也十分重要。
考慮操作系統(tǒng)問題。海量數(shù)據(jù)處理過程中，除了對數(shù)據(jù)庫、處理程序等要求比較高以外，對操作系統(tǒng)的要求也放到了重要的位置，一般是必須使用服務(wù)器的，而且對系統(tǒng)的安全性和穩(wěn)定性等要求也比較高。尤其對操作系統(tǒng)自身的緩存機(jī)制、臨時空間的處理等問題都需要綜合考慮。
使用數(shù)據(jù)倉庫和多維數(shù)據(jù)庫存儲。數(shù)據(jù)量加大是一定要考慮OLAP的，傳統(tǒng)的報表可能5、6個小時出來結(jié)果，而基于Cube的查詢可能只需要幾分鐘，因此處理海量數(shù)據(jù)的利器是OLAP多維分析，即建立數(shù)據(jù)倉庫，建立多維數(shù)據(jù)集，基于多維數(shù)據(jù)集進(jìn)行報表展現(xiàn)和數(shù)據(jù)挖掘等等。
使用采樣數(shù)據(jù)，進(jìn)行數(shù)據(jù)挖掘。 基于海量數(shù)據(jù)的數(shù)據(jù)挖掘正在逐步興起，面對著超海量的數(shù)據(jù)，一般的挖掘軟件或算法往往采用數(shù)據(jù)抽樣的方式進(jìn)行處理，這樣的誤差不會很大，大大提高了處理效 率和處理的成功率。一般采樣時要注意數(shù)據(jù)的完整性，防止過大的偏差。筆者曾經(jīng)對1億2千萬行的表數(shù)據(jù)進(jìn)行采樣，抽取出400萬行，經(jīng)測試軟件測試處理的誤 差僅為千分之五，客戶可以接受。
還有一些方法，需要在不同的情況和場合下運(yùn)用，例如使用代理鍵等操作，這樣的好處是加快了聚合時間，因?yàn)閷?shù)值型的聚合比對字符型的聚合快得多。類似的情況需要針對不同的需求進(jìn)行處理。
海量數(shù)據(jù)是發(fā)展趨勢，對數(shù)據(jù)分析和挖掘也越來越重要，從海量數(shù)據(jù)中提取有用信息重要而緊迫，這便要求處理要準(zhǔn)確，精度要高，而且處理時間要短，得到有價值信息要快，所以，對海量數(shù)據(jù)的研究很有前途，也很值得進(jìn)行廣泛深入的研究。
聯(lián)系客服
