2015-05-18_105918

一、資料量過大,資料中什麼情況都可能存在。如果說有10條資料,那麼大不了每條去逐一檢查,人為處理,如果有上百條資料,也可以考慮,如果資料上到千萬級別,甚至過億,那不是手工能解決的了,必須通過工具或者程式進行處理,尤其海量的資料中,什麼情況都可能存在,例如,資料中某處格式出了問題,尤其在程式處理時,前面還能正常處理,突然到了某個地方問題出現了,程式終止了。

二、軟硬體要求高,系統資源佔用率高。對海量的資料進行處理,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,如果處理的資料過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和記憶體,就象面對著千軍萬馬,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。

那麼處理海量資料有哪些經驗和技巧呢,我把我所知道的羅列一下,以供大家參考:
一、選用優秀的資料庫工具
現在的資料庫工具廠家比較多,對海量資料的處理對所使用的資料庫工具要求比較高,一般使用Oracle或者DB2,微軟公司SQL Server 2005效能也不錯。另外在BI領域:資料庫,資料倉儲,多維資料庫,資料探勘等相關工具也要進行選擇,像好的ETL工具和好的OLAP工具都十分必要,例如Informatic,Eassbase等。筆者在實際資料分析專案中,對每天6000萬條的日誌資料進行處理,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、編寫優良的程式程式碼
處理資料離不開優秀的程式程式碼,尤其在進行復雜資料處理時,必須使用程式。好的程式程式碼對資料的處理至關重要,這不僅僅是資料處理準確度的問題,更是資料處理效率的問題。良好的程式程式碼應該包含好的演算法,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、對海量資料進行分割槽操作
對海量資料進行分割槽操作十分必要,例如針對按年份存取的資料,我們可以按年進行分割槽,不同的資料庫有不同的分割槽方式,不過處理機制大體相同。例如SQL Server的資料庫分割槽是將不同的資料存於不同的檔案組下,而不同的檔案組存於不同的磁碟分割槽下,這樣將資料分散開,減小磁碟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割槽下。

四、建立廣泛的索引
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
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。