海量数据处理

海量数据处理分析北京迈思奇科技有限公司戴子良笔者在实际工作中，有幸接触到海量的数据处理问题，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：一、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，那不是手工能解决的了，必须通过工具或者程序进行处理，尤其海量的数据中，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。二、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，最重要的就是合理使用工具，合理分配系统资源。一般情况，如果处理的数据过TB级，小型机是要考虑的，普通的机子如果有好的方法可以考虑，不过也必须加大CPU和内存，就象面对着千军万马，光有勇气没有一兵一卒是很难取胜的。三、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师长期工作经验的积累，也是个人的经验的总结。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：一、选用优秀的数据库工具现在的数据库工具厂家比较多，对海量数据的处理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，象好的ETL工具和好的OLAP工具都十分必要，例如Informatic，Eassbase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则只需要花费3小时。二、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，包含好的处理流程，包含好的效率，包含好的异常处理机制等。三、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，索引等放于不同的分区下。四、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，然后插入完毕，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。五、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。缓存大小设置的好差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100000条/Buffer，这对于这个级别的数据量是可行的。六、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，那么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*6+1024=25600M，解决了数据处理中的内存不足问题。七、分批处理海量数据处理难因为数据量大，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，然后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，不过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。不过一般的数据按天、按月、按年等存储的，都可以采用先分后合的方法，对数据进行分开处理。八、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，如果对于超海量的数据，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，一口气吃掉一个胖子。九、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，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，这是一定要改用程序处理了。十、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。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。十一、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，这是在进行数据处理时，必须制定强大的数据清洗规则和出错处理机制。十二、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吊着一根柱子的区别。十三、避免使用32位机子（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机子，其中对位数的限制也十分重要。十四、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。十五、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。十六、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，这样的误差不会很高，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和，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。关于海量数据处理软件的程序设计柳毅，马鸣锦，蒋烈辉（解放军信息工程大学河南郑州450002）摘要：程序员在开发应用软件的过程中需要解决诸多难题，其中关于海量数据的处理问题就是诸多难点之一。本文从数据结构设计、程序流程组织和编程技术的使用等几个方面来介绍一个关于海量数据处理软件的开发方法。关键词：多线程；循环队列；同步；互斥1引言在现实社会里，尤其在医学、股票和气象等领域中经常存在着对海量数据进行分析的需求。一种解决这类问题的方法是在数据处理前先主观确定一个标准，然后将数据进行无量纲化及归一化处理。这样常常导致运算结果不仅含有诸多主观因素，而且在运算前就改动了数据的原始性，通常这类方法运算相对复杂，因此也难以被人们掌握。另一种解决的方法是建立一个适合于并行算法的数据模型，推导出能够解决实际问题的理论公式，通过设计一个高效的并行算法，在高性能的并行处理机上来实现最终的分析。然而大型的并行处理机对使用低端设备的用户来说是可望而不可及的，为了解决在微机上进行海量数据处理的问题，本文从程序设计的角度阐述了一个海量数据的处理方法，即通过使用良好的编程方法和合理的数据结构，使设计出的程序在功能完善的基础上，达到执行效率的最优和空间开销的最省。2理论依据（方法）导致数据处理软件运行缓慢的原因，主要是因为程序中有串行分量的存在，要改善整个系统的执行效率，最好是利用提高运算部分的并行负载量的方法，这种方法可以用在诸如医学数据检测这样求解规模可扩放、数据间相对孤立的问题中。通过提取出问题中存在的可并行工作的分量，然后用程序实现这些并行分量的并行执行，这样才能提高海量数据的处理速度。2．1线程与临界资源众所周知，Win32系统的应用程序是以进程的方式来工作的。一个进程就是操作系统调入内存来执行的一个应用程序，系统为每个进程分配4GB的虚拟地址空间装载代码和数据。而线程作为一种操作系统对象存在进程的内部，他是程序中最基本的执行实体，其自身不占用系统额外的开销而是共享进程分配到的空间，通过线程可以实现程序执行的并发性、独立性和异步性。每个线程都有自己的一组CPU寄存器和堆栈，操作系统为每个独立的线程安排CPU时间、调度其状态，使线程可以分别处于工作态、挂起态和就绪态，从而实现不同线程间的切换。多线程技术的主要优势在于充分利用CPU的空闲时间片，可以用尽量少的时间来对用户的要求做出响应，使得系统的整体运行效率得到较大的提高，增强了应用程序的灵活性。通常每个应用程序中至少存在一个线程，他被称为主线程或默认线程，应用程序也可以根据需要动态地创建多个线程来执行不同的任务。但由于Win32系统管理作。当线程工作完后，其使用的资源将自动释放。程序员在开发海量数据处理软件时，就可以利用Windows编程方法中的多线程技术分别设计出功能不同的两类线程：一类是对原始数据进行分析处理，得出运算结果的消费类线程；另一类是负责为消费类线程提供原始数据的生产类线程。软件高效运行的实质就是多个这两类线程协同工作的结果，整个程序的执行效率也会大幅度提升。从程序设计的角度看，尽管多线程技术能够改善整个程序的执行效率。但是，由于线程是根据其自身优先级的高低以抢占方式使用系统资源的，所以如果线程对系统资源使用不当，就可能会造成两个功能模块因为相互等待对方使用的资源而产生死锁现象，从而导致整个操作系统的崩溃。为了协调多线程有效地使用临界状态下的系统资源，还需要用互斥和同步等方法对其线程进行合理地控制。2．2数据结构的选择当确定使用多线程技术来提高软件的执行速度后，如何设计数据结构来配合多线程高效工作，如何使应用程序运行时占用的内存空间最少就成为下一步要解决的主要问题。通过对数据的使用特性进行分析，可以发现尽管原始数据十分庞大，但都是以顺序地方式被程序读取的，因此可以先将他们存贮在一个单向的、先进先出的数据结构—队列中。由于队列是单向的，当其中的数据被使用后，需要原始数据的消费类线程必须等待生产类线程重新添满数据队列后才能开始工作，这无疑在一定程度上影响了软件的执行效率。使用首尾相接的循环队列可以解决这个问题。通过