海量数据的处理及优化(1)

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 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 ，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 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 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 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 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SQLServer2005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SQLServer2000需要花费6小时，而使用SQLServer2005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SQLServer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P42.4G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*61024=25600M，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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 ，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 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 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。