海量資料處理 （轉）

對海量的資料處理，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、排序等欄位，都要建立相應索引，一般還可以建立複合索引，對經常插入的表則建立索引時要小心，筆者在處理資料時，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、建立快取機制

當資料量增加時，一般的處理工具都要考慮到快取問題。快取大小設定的好差也關係到資料處理的成敗，例如，筆者在處理2億條資料聚合操作時，快取設定為100000條/Buffer，這對於這個級別的資料量是可行的。

六、加大虛擬記憶體

如果系統資源有限，記憶體提示不足，則可以靠增加虛擬記憶體來解決。筆者在實際專案中曾經遇到針對18億條的資料進行處理，記憶體為1GB，1個P4 2.4G的CPU，對這麼大的資料量進行聚合操作是有問題的，提示記憶體不足，那麼採用了加大虛擬記憶體的方法來解決，在6塊磁碟分割槽上分別建立了6個4096M的磁碟分割槽，用於虛擬記憶體，這樣虛擬的記憶體則增加為 4096*6 + 1024 = 25600 M，解決了資料處理中的記憶體不足問題。

七、分批處理

來源：(http://blog.sina.com.cn/s/blog_4934a04a0100azzx.html) - 如何處理海量資料_Jack_新浪部落格

海量資料處理難因為資料量大，那麼解決海量資料處理難的問題其中一個技巧是減少資料量。可以對海量資料分批處理，然後處理後的資料再進行合併操作，這樣逐個擊破，有利於小資料量的處理，不至於面對大資料量帶來的問題，不過這種方法也要因時因勢進行，如果不允許拆分資料，還需要另想辦法。不過一般的資料按天、按月、按年等儲存的，都可以採用先分後合的方法，對資料進行分開處理。

八、使用臨時表和中間表

資料量增加時，處理中要考慮提前彙總。這樣做的目的是化整為零，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儲存都非常重要，如果對於超海量的資料，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，一口氣吃掉一個胖子。

九、優化查詢SQL語句

在對海量資料進行查詢處理過程中，查詢的SQL語句的效能對查詢效率的影響是非常大的，編寫高效優良的SQL指令碼和儲存過程是資料庫工作人員的職責，也是檢驗資料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，設計好高效的資料庫表結構等都十分必要。筆者在工作中試著對1億行的資料使用遊標，執行3個小時沒有出結果，這是一定要改用程式處理了。

十、使用文字格式進行處理

對一般的資料處理可以使用資料庫，如果對複雜的資料處理，必須藉助程式，那麼在程式運算元據庫和程式操作文字之間選擇，是一定要選擇程式操作文字的，原因為：程式操作文字速度快；對文字進行處理不容易出錯；文字的儲存不受限制等。例如一般的海量的網路日誌都是文字格式或者csv格式（文字格式），對它進行處理牽扯到資料清洗，是要利用程式進行處理的，而不建議匯入資料庫再做清洗。

十一、定製強大的清洗規則和出錯處理機制

海量資料中存在著不一致性，極有可能出現某處的瑕疵。例如，同樣的資料中的時間欄位，有的可能為非標準的時間，出現的原因可能為應用程式的錯誤，系統的錯誤等，這是在進行資料處理時，必須制定強大的資料清洗規則和出錯處理機制。

十二、建立檢視或者物化檢視

檢視中的資料來源於基表，對海量資料的處理，可以將資料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檢視進行，這樣分散了磁碟I/O，正如10根繩子吊著一根柱子和一根吊著一根柱子的區別。

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，那麼編寫的程式對記憶體的需要便受限制，而很多的海量資料處理是必須大量消耗記憶體的，這便要求更好效能的機子，其中對位數的限制也十分重要。

十四、考慮作業系統問題

海量資料處理過程中，除了對資料庫，處理程式等要求比較高以外，對作業系統的要求也放到了重要的位置，一般是必須使用伺服器的，而且對系統的安全性和穩定性等要求也比較高。尤其對作業系統自身的快取機制，臨時空間的處理等問題都需要綜合考慮。

十五、使用資料倉儲和多維資料庫儲存

資料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，因此處理海量資料的利器是OLAP多維分析，即建立資料倉儲，建立多維資料集，基於多維資料集進行報表展現和資料探勘等。

十六、使用取樣資料，進行資料探勘

基於海量資料的資料探勘正在逐步興起，面對著超海量的資料，一般的挖掘軟體或演算法往往採用資料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。一般取樣時要注意資料的完整性和，防止過大的偏差。筆者曾經對1億2千萬行的表資料進行取樣，抽取出400萬行，經測試軟體測試處理的誤差為千分之五，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，因為對數值型的聚合比對字元型的聚合快得多。類似的情況需要針對不同的需求進行處理。

海量資料是發展趨勢，對資料分析和挖掘也越來越重要，從海量資料中提取有用資訊重要而緊迫，這便要求處理要準確，精度要高，而且處理時間要短，得到有價值資訊要快，所以，對海量資料的研究很有前途，也很值得進行廣泛深入的研究。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/16436858/viewspace-665783/，如需轉載，請註明出處，否則將追究法律責任。