做大數(shù)據(jù)過程中遇到的13個(gè)問題

1、做大數(shù)據(jù)過程中遇到的 13 個(gè)問題1、最早的數(shù)據(jù)分析可能就報(bào)表目前很多數(shù)據(jù)分析后的結(jié)果，展示的形式很多，有各種圖形以及報(bào)表，最早的應(yīng)該是簡(jiǎn)單的幾條數(shù)據(jù)，然后搞個(gè) web 頁(yè)面，展示一下數(shù)據(jù)。早期可能數(shù)據(jù)量也不大，隨便搞個(gè)數(shù)據(jù)庫(kù)，然后 SQL 搞一下,數(shù)據(jù)報(bào)表就由來了。但是數(shù)據(jù)量大起來怎么分析呢？數(shù)據(jù)分析完了怎么做傳輸呢？這么大的數(shù)據(jù)量怎么做到實(shí)時(shí)呢？分析的結(jié)果數(shù)據(jù)如果不是很大還行，如果分析的結(jié)果數(shù)據(jù)還是很大改怎么辦呢？這些問題在這篇文章中都能找到答案，下面各個(gè)擊破。2、要做數(shù)據(jù)分析，首先要有數(shù)據(jù)這個(gè)標(biāo)題感覺有點(diǎn)廢話，不過要做飯需要食材一樣。有些數(shù)據(jù)時(shí)業(yè)務(wù)積累的，像交易訂單的數(shù)據(jù)，每一筆交易都會(huì)

2、有一筆訂單，之后再對(duì)訂單數(shù)據(jù)作分析。但是有些場(chǎng)景下，數(shù)據(jù)沒法考業(yè)務(wù)積累，需要依賴于外部，這個(gè)時(shí)候外部如果有現(xiàn)成的數(shù)據(jù)最好了，直接 join 過來，但是有時(shí)候是需要自己獲取的，例如搞個(gè)爬蟲爬取網(wǎng)頁(yè)的數(shù)據(jù)，有時(shí)候單臺(tái)機(jī)器搞爬蟲可能還爬不完，這個(gè)時(shí)候可能就開始考慮單機(jī)多線程爬取或者分布式多線程爬取數(shù)據(jù)，中間涉及到一個(gè)步驟，就是在線的業(yè)務(wù)數(shù)據(jù)，需要每天晚上導(dǎo)入到離線的系統(tǒng)中，之后才可以進(jìn)行分析。3、有了數(shù)據(jù)，咋分析呢？先將數(shù)據(jù)量小的情況下，可能一個(gè)復(fù)雜的 SQL 就可以搞由來，之后搞個(gè) web 服務(wù)器,頁(yè)面請(qǐng)求的時(shí)候，執(zhí)行這個(gè) SQL,然后展示數(shù)據(jù)，好了，一個(gè)最簡(jiǎn)單的數(shù)據(jù)分析，嚴(yán)格意義上講是統(tǒng)計(jì)的分析

3、。這種情況下，分析的數(shù)據(jù)源小，分析的腳本就是在線執(zhí)行的 SQL,分析的結(jié)果不用傳輸， 結(jié)果的展示就在頁(yè)面上， 整個(gè)流程一條龍。 4、數(shù)據(jù)量大了，無法在線分析了，咋辦呢？這個(gè)時(shí)候，數(shù)據(jù)量已經(jīng)大的無法用在線執(zhí)行 SQL 的形式進(jìn)行統(tǒng)計(jì)分析了。這個(gè)時(shí)候順應(yīng)時(shí)代的東西產(chǎn)生了（當(dāng)然還有其他的，我就知道這個(gè)呵呵），數(shù)據(jù)離線數(shù)據(jù)工具 hadoop 由來了。這個(gè)時(shí)候，你的數(shù)據(jù)以文件的形式存在，可能各個(gè)屬性是逗號(hào)分隔的，數(shù)據(jù)條數(shù)有十幾個(gè)億。這時(shí)候你可能需要構(gòu)建一個(gè) hadoop 集群，然后把自己的文件導(dǎo)入到集群上面去，上了集群之后，文件就是 HDFS 的格式了，然后如果要做統(tǒng)計(jì)分析，需要寫mapreduce 程

4、序，所謂的 mapreduce 程序，就是實(shí)現(xiàn) map 和 reduce的接口，按照自己的業(yè)務(wù)邏輯寫分析流程，之后把程序打成 jar 包上傳到集群， 之后開始執(zhí)行。 分析后的結(jié)果還是文件的形式產(chǎn)生。 5、分析個(gè)數(shù)據(jù)還要寫 java 代碼是不是效率低了點(diǎn)這個(gè)確實(shí)是，mapreduce 的程序，本身的可測(cè)性沒有執(zhí)行一個(gè)簡(jiǎn)單的單元測(cè)試來的爽，所以效率確實(shí)不高。這個(gè)時(shí)候，hive 由現(xiàn)了，hive 是一個(gè)數(shù)據(jù)倉(cāng)庫(kù)分析的語(yǔ)言，語(yǔ)法類似于數(shù)據(jù)庫(kù)的 SQL,但是有幾個(gè)地方是不同的。有了 hive 之后，數(shù)據(jù)分析就好之前寫 SQL 一樣了，按照邏輯編寫 hiveSQL,然后控制臺(tái)執(zhí)行?？赡茏畲蟮母杏X是，數(shù)據(jù)庫(kù)

5、的 sql 很快就能有結(jié)果，但是 hive 的，即使很小的一個(gè)數(shù)據(jù)分析，也需要幾分鐘時(shí)間。構(gòu)建 hive,需要在 hadoop 的集群上，原理很簡(jiǎn)單，就是把文件構(gòu)建成表的形式（有一個(gè)數(shù)據(jù)庫(kù)或者內(nèi)存數(shù)據(jù)庫(kù)維護(hù)表的 schema 信息），之后提交寫好的 hivesql 的時(shí)候，hadoop 集群里面的程序把 hive 腳本轉(zhuǎn)換成對(duì)應(yīng)的 mapreduce 程序執(zhí)行。這個(gè)時(shí)候，做離線的數(shù)據(jù)分析簡(jiǎn)單寫腳本就行了，不用再搞 java 代碼，然后上傳執(zhí)行了。6、數(shù)據(jù)產(chǎn)生的結(jié)果，怎么搞到線上提供服務(wù)的數(shù)據(jù)庫(kù)中呢？這個(gè)時(shí)候分析的結(jié)果有了，可能是一個(gè)很寬很長(zhǎng)的excel 表格，需要導(dǎo)入到線上的數(shù)據(jù)庫(kù)中，可能你想

6、到了，如果我的數(shù)據(jù)庫(kù)是 mysql,我直接執(zhí)行 load 命令就搞進(jìn)去了，哪有那么麻煩。但是數(shù)據(jù)源可能有多了，mysql/oracle/hbase/hdfs 按照笛卡爾積的形式，這樣搞要搞死程序員了。這個(gè)時(shí)候 datax（已經(jīng)開源）生現(xiàn)了，能夠?qū)崿F(xiàn)異構(gòu)數(shù)據(jù)源的導(dǎo)入和導(dǎo)由，采用插件的形式設(shè)計(jì)，能夠支持未來的數(shù)據(jù)源。如果需要導(dǎo)數(shù)據(jù)，配置一下 datax 的 xml 文件或者在 web 頁(yè)面上點(diǎn)擊下就可以實(shí)現(xiàn)了。7、離線分析有時(shí)間差，實(shí)時(shí)的話怎么搞呢？要構(gòu)建實(shí)時(shí)的分析系統(tǒng)，其實(shí)在結(jié)果數(shù)據(jù)由來之前，架構(gòu)和離線是截然不同的。數(shù)據(jù)時(shí)流動(dòng)的，如果在大并發(fā)海量數(shù)據(jù)流動(dòng)過程中，進(jìn)行自己的業(yè)務(wù)分析呢？這里其實(shí)說簡(jiǎn)

7、單也簡(jiǎn)單，說復(fù)雜也復(fù)雜。目前我接觸過的，方案是這樣的，業(yè)務(wù)數(shù)據(jù)在寫入數(shù)據(jù)庫(kù)的時(shí)候，這里的數(shù)據(jù)庫(kù) mysql,在數(shù)據(jù)庫(kù)的機(jī)器上安裝一個(gè)程序，類似 JMS的系統(tǒng)，用于監(jiān)聽 binlog 的變更，收到日志信息，將日志信息轉(zhuǎn)換為具體的數(shù)據(jù)，然后以消息的形式發(fā)送由來。這個(gè)時(shí)候?qū)崿F(xiàn)了解耦，這樣的處理并不影響正常的業(yè)務(wù)流程。這個(gè)時(shí)候需要有個(gè) Storm 集群，storm 集群干啥事情呢？就一件事情，分析數(shù)據(jù)，這個(gè)集群來接收剛才提到的 JMS 系統(tǒng)發(fā)送由來的消息，然后按照指定的規(guī)則進(jìn)行邏輯合并等計(jì)算，把計(jì)算的結(jié)果保存在數(shù)據(jù)庫(kù)中， 這樣的話， 流動(dòng)的數(shù)據(jù)就可以過一遍篩子了。 8、分析的結(jié)果數(shù)據(jù)特別大，在線請(qǐng)求這

8、些結(jié)果數(shù)據(jù)數(shù)據(jù)扛不住了，咋搞？一般的結(jié)果數(shù)據(jù)，數(shù)據(jù)量沒有那么大，也就幾十萬(wàn)的樣子，這樣的數(shù)據(jù)級(jí)別，對(duì)于 mysql 這樣的數(shù)據(jù)庫(kù)沒有任何壓力，但是這個(gè)數(shù)據(jù)量如果增加到千萬(wàn)或者億級(jí)別，同時(shí)有復(fù)雜的 SQL 查詢，這個(gè)時(shí)候 mysql肯定就扛不住了。這個(gè)時(shí)候，可能需要構(gòu)建索引（例如通過 lucene來對(duì)于要檢索的字段添加索引），或者用分布式的內(nèi)存服務(wù)器來完成查詢?？傊?，兩套思路，一個(gè)是用文件索引的形式，說白來就是空間換時(shí)間，另外一種是用內(nèi)存，就是用更快的存儲(chǔ)來抗請(qǐng)求。9、在線的數(shù)據(jù)庫(kù)，除了 mysql、oracle 之外，還有其他選擇不？其實(shí)目前大家的思維定勢(shì)，往往第一個(gè)選擇就是oracle 或者

9、 mysql,其實(shí)完全可以根據(jù)場(chǎng)景來進(jìn)行選擇，mysql 和oracle 是傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)，目前 nosql 類的數(shù)據(jù)庫(kù)也很多，例如 HBase 就是其中一個(gè)重要的代表。如果數(shù)據(jù)離散分布比較強(qiáng)，且根據(jù)特定的 key 來查詢，這個(gè)時(shí)候 HBase 其實(shí)是一個(gè)不錯(cuò)的選擇。10、空間的數(shù)據(jù)怎么分析上面的分析大都是統(tǒng)計(jì)維度的，其實(shí)最簡(jiǎn)單的描述就是求和或者平均值等，這個(gè)時(shí)候問題來了，大數(shù)據(jù)量的空間數(shù)據(jù)如何分析呢？對(duì)于我們電子商務(wù)而言，空間數(shù)據(jù)可能就是海量的收貨地址數(shù)據(jù)了。需要做分析，第一步就是先要把經(jīng)緯度添加到數(shù)據(jù)中（如果添加經(jīng)緯度，這個(gè)可以搞 http 的請(qǐng)求來通過地圖服務(wù)提供商來或者，或者是根據(jù)

10、測(cè)繪公司的基礎(chǔ)數(shù)據(jù)來進(jìn)行文本切割分析），之后空間數(shù)據(jù)是二維的，但是我們常見的代數(shù)是一維的，這個(gè)時(shí)候一個(gè)重要的算法由現(xiàn)了，geohash 算法，一種將經(jīng)緯度數(shù)據(jù)轉(zhuǎn)換為一個(gè)可比較，可排序的字符串的算法。然后，這樣就可以再空間距離方面進(jìn)行分析了，例如遠(yuǎn)近，例如方圓周邊等數(shù)據(jù)的分析。11、上面這些僅僅是統(tǒng)計(jì)，如果想搞算法或者挖掘之類的，怎么搞呢上述的分析，大多數(shù)是統(tǒng)計(jì)分析，這個(gè)時(shí)候如果想高一點(diǎn)高級(jí)的，例如添加一個(gè)算法，咋搞呢？其他復(fù)雜的算法我沒咋接觸過。將拿一個(gè)我練過手的算法來講吧。邏輯回歸，如果樣本數(shù)據(jù)量不是很大，可以采用 weka 來做了個(gè)回歸，獲得一個(gè)表達(dá)式，然后在線上系統(tǒng)中應(yīng)用這個(gè)表達(dá)式，這種類似的表達(dá)式獲取對(duì)于實(shí)時(shí)性要求不是很高， 所以公式每天跑一次就行了。如果數(shù)據(jù)量比較大，單機(jī)的 weka 無法滿足需求了，可以將 weka 的 jar 包集成在系統(tǒng)中分析，當(dāng)然也可以通過 hadoop 中的 mahout 來進(jìn)行離線分析，獲取這個(gè)表達(dá)式。12、我就是想離線分析數(shù)據(jù)，但是受不了 hive 或者 hadoop 的速度，咋搞其實(shí)搞過一段時(shí)間 hadoop 的人肯定有一點(diǎn)不爽，就是離線分析的速度太慢了，可能需要等很久，這個(gè)時(shí)候 spark由現(xiàn)了，他和 hadoop 類似，不過由于是內(nèi)存中計(jì)算，所以速度快了很多，底層可以介入 HDFS 的文件系統(tǒng)，具體我沒有使用過，但是公司內(nèi)部一個(gè)團(tuán)隊(duì)目