轉自:http://hi.baidu.com/xinghuali/blog/item/3c83b945d3181121cefca365.html
|
海量數據是發展趨勢，對數據分析和挖掘也越來越重要，從海量數據中提取有用信息重要而緊迫，這便要求處理要準確，精度要高，而且處理時間要短，得到有價值信息要快，所以，對海量數據的研究很有前途，也很值得進行廣泛深入的研究。 基於海量數據的數據挖掘正在逐步興起，面對着超海量的數據，一般的挖掘軟件或算法往往採用數據抽樣的方式進行處理，這樣的誤差不會很高，大大提 高了處理效率和處理的成功率。 在實際的工作環境下，許多人會遇到海量數據這個複雜而艱鉅的問題，它的主要難點有以下幾個方面： 一、數據量過大，數據中什麼情況都可能存在。 如果說有10條數據，那麼大不了每條去逐一檢查，人爲處理，如果有上百條數據，也可以考慮，如果數據上到千萬級別，甚至過億，那不是手解決的了，必須通過工具或者程序進行處理，尤其海量的數據中，什麼情況都可能存在，例如，數據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了，程序終止了。 二、軟硬件要求高，系統資源佔用過高 對海量的數據進行處理，除了好的方法，最重要的就是合理使用工具，合理分配系統資源。一般情況，如果處理的數據過TB級，小型機是要考慮的，普通的機子如果有好的方法可以考慮，不過也必須加大CPU和內存，就象面對着千軍萬馬，光有勇氣沒有一兵一卒是很難取勝的。 三、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驗的積累，也是個人的經驗的總結。沒有通用的處理方法，但有通用的原理和規則。 下面我們來詳細介紹一下處理海量數據的經驗和技巧： 一、選用優秀的數據庫工具 現在的數據庫工具廠家比較多，對海量數據的處理對所使用的數據庫工具要求比較高，一般使用Oracle或者DB2，微軟公 司最近發佈的SQL Server 2005性能也不錯。另外在BI領域：數據庫，數據倉庫，多維數據庫，數據挖掘，傲博知識庫等相關工具也要進行選擇，象好的ETL工具和好的OLAP工具都十分必要， 例如Informatic，Eassbase等。筆者在實際數據分析項目中，對每天6000萬條的日誌數據進行處理，使用SQL Server 2000需要花費6小時，而使用SQL Server 2005則只需要花費3小時。 二、編寫優良的程序代碼 處理數據離不開優秀的程序代碼，尤其在進行復雜數據處理時，必須使用程序。好的程序代碼對數據的處理至關重要，這不僅僅是數據處理準確度的問題，更是數據處理效率的問題。良好的程序代碼應該包含好的算法，包含好的處理流程，包含好的效率，包含好的異常處理機制等。 三、對海量數據進行分區操作 對海量數據進行分區操作十分必要，例如針對按年份存取的數據，我們可以按年進行分區，不同的數據庫有不同的分區方式，不過處理機制大體相同。例 如SQL Server的數據庫分區是將不同的數據存於不同的文件組下，而不同的文件組存於不同的磁盤分區下，這樣將數據分散開，減小磁盤I/O，減小了系統負荷， 而且還可以將日誌，索引等放於不同的分區下。 四、建立廣泛的索引 對海量的數據處理，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，都要建立相應索引，一般還可以建立復 合索引，對經常插入的表則建立索引時要小心，筆者在處理數據時，曾經在一個ETL流程中，當插入表時，首先刪除索引，然後插入完畢，建立索引，並實施聚合 操作，聚合完成後，再次插入前還是刪除索引，所以索引要用到好的時機，索引的填充因子和聚集、非聚集索引都要考慮。 五、建立緩存機制 當數據量增加時，一般的處理工具都要考慮到緩存問題。緩存大小設置的好差也關係到數據處理的成敗，例如，筆者在處理2億條數據聚合操作時，緩存設置爲100000條/Buffer，這對於這個級別的數據量是可行的。 六、加大虛擬內存 如果系統資源有 限，內存提示不足，則可以靠增加虛擬內存來解決。筆者在實際項目中曾經遇到針對18億條的數據進行處理，內存爲1GB，1個P4 2.4G的CPU，對這麼大的數據量進行聚合操作是有問題的，提示內存不足，那麼採用了加大虛擬內存的方法來解決，在6塊磁盤分區上分別建立了6個 4096M的磁盤分區，用於虛擬內存，這樣虛擬的內存則增加爲 4096*6 + 1024 = 25600 M，解決了數據處理中的內存不足問題。 七、分批處理 海量數據處理難因爲數據量大，那麼解決海量數據處理難的問題其中一個技巧是減少數據量。可以對海量數據分批處理，然後處理後的數據再進行合併操 作，這樣逐個擊破，有利於小數據量的處理，不至於面對大數據量帶來的問題，不過這種方法也要因時因勢進行，如果不允許拆分數據，還需要另想辦法。不過一般 的數據按天、按月、按年等存儲的，都可以採用先分後合的方法，對數據進行分開處理。 八、使用臨時表和中間表 數據量增加時，處理中要考慮提前彙總。這樣做的目的是化整爲零，大表變小表，分塊處理完成後，再利用一定的規則進行合併，處理過程中的臨時表的 使用和中間結果的保存都非常重要，如果對於超海量的數據，大表處理不了，只能拆分爲多個小表。如果處理過程中需要多步彙總操作，可按彙總步驟一步步來，不 要一條語句完成，一口氣喫掉一個胖子。 九、優化查詢SQL語句 在對海量數據進行查詢處理過程中，查詢的SQL語句的性能對查詢效率的影響是非常大的，編寫高效優良的SQL腳本和存儲過程是數據庫工作人員的職責，也是檢驗數據庫工作人員水平的一個標準，在對SQL語句的編寫過程中，例如減少關聯，少用或不用遊標，設計好高效的數據庫表結構等都十分必要。筆者在工作中試着對1億行的數據使用遊標，運行3個小時沒有出結果，這是一定要改用程序處理了。 十、使用文本格式進行處理 對一般的數據處理可以使用數據庫，如果對複雜的數據處理，必須藉助程序，那麼在程序操作數據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，原因爲：程序操作文本速度快;對文本進行處理不容易出錯;文本的存儲不受限制等。例如一般的海量的網絡日誌都是文本格式或者csv格式(文本格式)，對它進行處理牽扯到數據清洗，是要利用程序進行處理的，而不建議導入數據庫再做清洗。 十一、定製強大的清洗規則和出錯處理機制 海量數據中存在着不一致性，極有可能出現某處的瑕疵。例如，同樣的數據中的時間字段，有的可能爲非標準的時間，出現的原因可能爲應用程序的錯誤，系統的錯誤等，這是在進行數據處理時，必須制定強大的數據清洗規則和出錯處理機制。 十二、建立視圖或者物化視圖 視圖中的數據來源於基表，對海量數據的處理，可以將數據按一定的規則分散到各個基表中，查詢或處理過程中可以基於視圖進行，這樣分散了磁盤I/O，正如10根繩子吊着一根柱子和一根吊着一根柱子的區別。 十三、避免使用32位機子(極端情況) 目前的計算機很多都是32位的，那麼編寫的程序對內存的需要便受限制，而很多的海量數據處理是必須大量消耗內存的，這便要求更好性能的機子，其中對位數的限制也十分重要。 十四、考慮操作系統問題 海量數據處理過程中，除了對數據庫，處理程序等要求比較高以外，對操作系統的要求也放到了重要的位置，一般是必須使用服務器的，而且對系統的安全性和穩定性等要求也比較高。尤其對操作系統自身的緩存機制，臨時空間的處理等問題都需要綜合考慮。 十五、使用數據倉庫和多維數據庫存儲 數據量加大是一定要考慮OLAP的，傳統的報表可能5、6個小時出來結果，而基於Cube的查詢可能只需要幾分鐘，因此處理海量數據的利器是OLAP多維分析，即建立數據倉庫，建立多維數據集，基於多維數據集進行報表展現和數據挖掘等。 十六、使用採樣數據，進行數據挖掘 基於海量數據的數據挖掘正在逐步興起，面對着超海量的數據，一般的挖掘軟件或算法往往採用數據抽樣的方式進行處理，這樣的誤差不會很高，大大提 高了處理效率和處理的成功率。一般採樣時要注意數據的完整性和，防止過大的偏差。筆者曾經對1億2千萬行的表數據進行採樣，抽取出400萬行，經測試軟件測試處理的誤差爲千分之五，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，因爲對數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行處理。 |