关于海量数据处理分析的经验总结

     对海量的数据进行处理是一项艰巨而复杂的任务。缘由有如下几个方面：

        1、数据量过大，数据中什么状况均可能存在。若是说有10条数据，那么大不了每条去逐一检查，人为处理，若是有上百条数据，也能够考虑，若是数据上到千万级别，甚至过亿，那不是手工能解决的了，必须经过工具或者程序进行处理，尤为海量的数据中，什么状况均可能存在，例如，数据中某处格式出了问题，尤为在程序处理时，前面还能正常处理，忽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，最重要的就是合理使用工具，合理分配系统资源。通常状况，若是处理的数据过TB级，小型机是要考虑的，普通的机子若是有好的方法能够考虑，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。
        3、要求很高的处理方法和技巧。这也是本文的写做目的所在，好的处理方法是一位工程师长期工做经验的积累，也是我的的经验的总结。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，以供你们参考：

1、选用优秀的数据库工具
        如今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，通常使用Oracle或者DB2，微软公司SQL Server 2005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。笔者在实际数据处理项目中，对天天6000万条的日志数据进行处理，使用SQL Server 2000须要花费6小时，而使用SQL Server 2005则只须要花费3小时。
2、编写优良的程序代码
        处理数据离不开优秀的程序代码，尤为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相当重要，这不只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。
3、对海量数据进行分区操做
        对海量数据进行分区操做十分必要，例如针对按年份存取的数据，咱们能够按年进行分区，不一样的数据库有不一样的分区方式，不过处理机制大致相同。例如SQL Server的数据库分区是将不一样的数据存于不一样的文件组下，而不一样的文件组存于不一样的磁盘分区下，这样将数据分散开，减少磁盘I/O，减少了系统负荷，并且还能够将日志，索引等放于不一样的分区下。
4、创建普遍的索引
        对海量的数据处理，对大表创建索引是必行的，创建索引要考虑到具体状况，例如针对大表的分组、排序等字段，都要创建相应索引，通常还能够创建复合索引，对常常插入的表则创建索引时要当心，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，而后插入完毕，创建索引，并实施聚合操做，聚合完成后，再次插入前仍是删除索引，因此索引要用到好的时机，索引的填充因子和汇集、非汇集索引都要考虑。
5、创建缓存机制
        当数据量增长时，通常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2亿条数据聚合操做时，缓存设置为100000条/Buffer，这对于这个级别的数据量是可行的。
6、加大虚拟内存
        若是系统资源有限，内存提示不足，则能够靠增长虚拟内存来解决。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P4 2.4G的CPU，对这么大的数据量进行聚合操做是有问题的，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块磁盘分区上分别创建了6个4096M的磁盘分区，用于虚拟内存，这样虚拟的内存则增长为 4096*6 + 1024 = 25600 M，解决了数据处理中的内存不足问题。
7、分批处理
        海量数据处理难由于数据量大，那么解决海量数据处理难的问题其中一个技巧是减小数据量。能够对海量数据分批处理，而后处理后的数据再进行合并操做，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，若是不容许拆分数据，还须要另想办法。不过通常的数据按天、按月、按年等存储的，均可以采用先分后合的方法，对数据进行分开处理。
8、使用临时表和中间表
        数据量增长时，处理中要考虑提早汇总。这样作的目的是化整为零，大表变小表，分块处理完成后，再利用必定的规则进行合并，处理过程当中的临时表的使用和中间结果的保存都很是重要，若是对于超海量的数据，大表处理不了，只能拆分为多个小表。若是处理过程当中须要多步汇总操做，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。
9、优化查询SQL语句
        在对海量数据进行查询处理过程当中，查询的SQL语句的性能对查询效率的影响是很是大的，编写高效优良的SQL脚本和存储过程是数据库工做人员的职责，也是检验数据库工做人员水平的一个标准，在对SQL语句的编写过程当中，例如减小关联，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。笔者在工做中试着对1亿行的数据使用游标，运行3个小时没有出结果，这是必定要改用程序处理了。
10、使用文本格式进行处理
        对通常的数据处理可使用数据库，若是对复杂的数据处理，必须借助程序，那么在程序操做数据库和程序操做文本之间选择，是必定要选择程序操做文本的，缘由为：程序操做文本速度快；对文本进行处理不容易出错；文本的存储不受限制等。例如通常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作清洗。
11、 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，一样的数据中的时间字段，有的可能为非标准的时间，出现的缘由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。
12、 创建视图或者物化视图
        视图中的数据来源于基表，对海量数据的处理，能够将数据按必定的规则分散到各个基表中，查询或处理过程当中能够基于视图进行，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。
十3、 避免使用32位机子（极端状况）
        目前的计算机不少都是32位的，那么编写的程序对内存的须要便受限制，而不少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。
十4、考虑操做系统问题
        海量数据处理过程当中，除了对数据库，处理程序等要求比较高之外，对操做系统的要求也放到了重要的位置，通常是必须使用服务器的，并且对系统的安全性和稳定性等要求也比较高。尤为对操做系统自身的缓存机制，临时空间的处理等问题都须要综合考虑。
十5、使用数据仓库和多维数据库存储
        数据量加大是必定要考虑OLAP的，传统的报表可能五、6个小时出来结果，而基于Cube的查询可能只须要几分钟，所以处理海量数据的利器是OLAP多维分析，即创建数据仓库，创建多维数据集，基于多维数据集进行报表展示和数据挖掘等。
十6、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，通常的挖掘软件或算法每每采用数据抽样的方式进行处理，这样的偏差不会很高，大大提升了处理效率和处理的成功率。通常采样时要注意数据的完整性和，防止过大的误差。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偏差为千分之五，客户能够接受。
        还有一些方法，须要在不一样的状况和场合下运用，例如使用代理键等操做，这样的好处是加快了聚合时间，由于对数值型的聚合比对字符型的聚合快得多。相似的状况须要针对不一样的需求进行处理。
       海量数据是发展趋势，对数据分析和挖掘也愈来愈重要，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，并且处理时间要短，获得有价值信息要快，因此，对海量数据的研究颇有前途，也很值得进行普遍深刻的研究。