大数据的OLAP技术

jopen 10年前

原文  http://www.justinablog.com/archives/1323



在互联网的技术浪潮冲击下，不少传统企业也纷纷涉水大数据技术。以笔者经历的两个项目为例，传统企业与互联网公司相比有两个特点：

  1. 企业应用比较笨重和复杂，云计算等基础架构平台，互联网需要的是水平规模化扩展，但对传统企业来讲，更需要的是垂直一体化部署复杂的依赖并且方便重用；
  2. 企业数据，包括关系型的交易数据、日志、文档、电子邮件等等，但总体还是结构化数据占多数；互联网则是非结构化数据为主，如网页、图片、服务器日志等，在网页搜索或广告推荐等领域，高维数据分析比较常见。

和企业私有云的架构一样，对企业的大数据平台，我们很难直接去简单复制互联网的海量存储或计算平台技术，如Hadoop、HBase、 Spark；因为这些技术搭建的只是一个数据的基础设施，要在传统企业实施“大数据平台”，我们的思路是，如何将传统的商业智能运行在“大数据平台”之 上。

OLAP – 联机分析

OLAP联机分析是从多维信息、针对特定问题的联机数据进行访问和分析的技术。从分析的角度出发，数据源需提供以下操作支持：

  • 维度和指标
  • 聚合
  • 上卷、下钻
  • 水平、垂直切分
  • 排序

下面是一个数据表示例：

Date Country City OS Browser Sale
2014-01-23 China Beijing OSX Chrome 0.0
2014-01-24 China Shanghai Windows IE8 8.0
2014-01-24 China Beijing OSX Safari 20.0
2014-01-25 China Chengdu Linux Chrome 12.0
2014-01-26 China Beijing Windows Firefox 30.0
5 visits4 days 1 countryChina: 5

3 cities:

Beijing: 3

Shanghi: 1

Chengdu: 1

3 OS-es

Windows：2

OSX：2

Linux：1

3 browsers

Chrome：2

Firefox：1

IE8：1

Safari：1

70.04 sales

上卷至Country维度 

SELECT COUNT(visits), SUM(sales) GROUP BY country
Country Visits Sales
China 5 $70

根据Browser拆分 

SELECT COUNT(visits), SUM(sales) GROUP BY country HAVING browser = "Chrome"
Country Visits Sales
China 2 $12

查询Sales最高的Browers 

SELECT SUM(sales), COUNT(visits) GROUP BY browser ORDER BY sales
Browser Sales Visits
Firefox $30 1
Safari $20 1
Chrome $12 2
IE8 $8 1

通常OLAP的多维数据源由数据方（Cube）提供，关系型数据库或数据仓库都能提供数据方的设计，相对于数据库，数据仓库是昂贵的软硬件解决方 案，而互联网普遍采用基于Hadoop技术构建的海量数据处理平台，在这里是否可以作为数据仓库的替代品呢？其核心技术还是，如何基于Hadoop来构建 数据方。

Pre-aggregate – 预聚合数据

对数据库来说，数据聚合通常是实时的。实时聚合的好处是灵活，可以对任意列进行查询，缺点是CPU、I/O开销较大，数据量大时查询缓慢，吞吐量 低；而对Hadoop这样的非实时计算、大量数据处理的平台来说，很适合对数据进行预聚合处理，预聚合的优点是查询快速高效，但缺点是无法灵活查询，比如 未进行聚合处理的数据。

在基于Hadoop进行预聚合处理上，Adobe提供了一些经验：

  1. 数据表设计需要规范
  2. 超过3个维度、10亿条数据时处理会变得复杂
  3. 维度表之间尽量不要有相关关系
  4. 只创建必须的索引

领域模型设计

这个步骤的目的是理解数据并且构建出领域模型，包括：

  • 源数据如何拆分到不同字段中？
  • 哪些字段用于维度？
  • 哪些字段用于统计指标？
  • 使用什么样的规则来对数据进行聚合？
  • 用户经常使用的组合查询是？
  • 排序规则？

下面是Adobe SiteCatalyst的设计参考，源数据是一条日志，使用reports.json来描述整个设计：

大数据的OLAP技术

数据采集优化策略

对历史数据，采用大量数据批处理来提高吞吐量，对新增的增量数据，尽量达到低延时查询。一些优化策略包括：

对输入进行条件过滤：

  • FileDateFilter (log name patterns: log-YYYY-MM-dd-HH.log)
  • TableInputFormat start/stop row
  • File Index in HBase (track processed/new files)

提升Map的任务数：

  • CombineFileInputFormat – 2GB-splits => 500 splits for 1TB
  • FixedMappersTableInputFormat (e.g. 5-region splits)

数据处理

数据处理的过程包括读取源数据、预聚合并且生成可供查询的数据表，对OLAP而言，需要对数据进行以下处理：

  • GROUP BY
  • COUNT, SUM, AVG
  • SORT
  • HAVING – 需进行预聚合

以下是Adobe在线数据处理设计和SQL查询的映射：

大数据的OLAP技术

在reports.json中定义了触发各个处理的类：

大数据的OLAP技术

整个处理过程如下：

大数据的OLAP技术

</div> </div>

相关经验