大数据平台之数据存储_第1页
大数据平台之数据存储_第2页
大数据平台之数据存储_第3页
大数据平台之数据存储_第4页
大数据平台之数据存储_第5页
已阅读5页,还剩3页未读 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

大数据平台之数据存储

一、前言

我们都知道,采集数据之后,得到数据是原始的和杂乱的,必须经过专

门的清洗、关联、规范化和精心的组织建模,而且要通过数据质量检

测后才能进行后续的数据分析或用于提供数据服务,而这就是数据平台

构建的关键环节•。数据存储处理

而我们今天要聊的是大数据平台是如何去存储海量数据呢?

在之前,我们聊过,大数据的数据采集并存储的数据流程,如下图所

示:

Spark/FlinkUklkd光客

在整个大数据生态圈里,数据存储可以分为两大类:

1、是直接以文件形式存放在分布式文件系统上,处理工具可以直接读

写(Hive和SparkSQL都是这类)。

2、通过kafak存储实时数据,经过实时计算框架最后把指标数据利用

NoSQL数据库来存储和管理数据(NOSQL数据库Hbase之类)。

二、数据存储的发展

2.1传统数据存储

互联网时代各种存储框架层出不穷,眼花缭乱,比如传统的OLTP关系

型数据库Oracle、MySQLc

之前进行业务指标的统计分析都是基于传统的事务型数据库,传统的事

务型数据库主要面对单一的业务系统,实现的是面向事务的增删改查。

随着业务的不断发展,产生的海量数据,面对复杂的数据分析指标,单

一的事务性数据库己经不能满足数据分析的场景。

最根本的原因在于:数据分析通常需要访问大量的数据,单条数据的分

析没有任何意义。它不仅需要访问大量的数据,还要对其进行频繁的统

计和查询。

1>大量访问数据,这些请求占用了大量数据库的资源,严重到影响生

产系统的性能。

2、大量的数据访问通常需要全表扫描,频繁而且通常又是并发地全表

扫描会造成事务型数据库响应异常缓慢甚至宕机。

这促使数据仓库概念的出现。

2.2数据仓库

在1991年出版的{BuildingtheDataWarehoused中,数据仓库之父

比尔•恩门(Billlnmon)首次给出了数据仓库的完整定义,他认为:

数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的,

不可修改的数据集合。

1、所谓主题:要把不同业务系统的数据同步到一个统一的数据仓库

中,然后按照主题域方式组织数据。主题可以把它理解为数据仓库的一

个目录。

2、所谓集成:是指数据仓库中的信息不是从各个业务系统中简单抽取

出来的,而是经过一系列加工、整理和汇总的过程,因此数据仓库中的

信息是关于整个企业的一致的全局信息。

3、所谓随时间变化:是指数据仓库内的信息并不只是反映企业当前的

状态,而是记录了从过去某一时点到当前各个阶段的信息。通过这些信

息,可以对企业的发展历程和未来趋势做出定量分析和预测。

简而言之.它综合多个业务系统数据,主要用于历史性、粽合性和深层

次数据分析。

在了解数据仓库之后,不得不提下经典的两个数仓建模技术。

比尔•恩门(BillInmon)和金博尔(Kimball)

恩门提出的建模方法自顶向下(这里的顶是指数据的来源,在传统数据

仓库中,就是各个业务数据库),基于业务中各个实体以及实体之间的

关系,构建数据仓库。

举个例子:

在一个最简单的买家购买商品的场景中,按照恩门建模的思维模式,苜

先你要理清这个业务过程中涉及哪些实体。买家、商品是一个实体,买

家购买商品是一个关系。所以,模型设计应该有买家表,商品表,和买

家商品交易表三个模型。

金博尔建模与恩门正好相反,是一种自底向上的模型设计方法,从数据

分析的需求出发,拆分维度和事实。那么用户、商品就是维度,库存、

用户账户余额是事实。

总结这两种数仓建模技术:

这两种方法各有优劣,恩门建模因为是从数据源开始构建,构建成本比

较高,适用于应用场景比较固定的业务,比如金融领域,冗余数据少是

它的优势。金博尔建模由于是从分析场景出发,适用于变化速度比较快

的业务,比如互联网业务。由于现在的业务变化都比较快,所以我更推

荐金博尔的建模设计方法。

2.3数据湖

传统数据仓库,第一次明确r数据分析的应用场景应该用单独的解决方

案去实现,不再依赖于业务的数据库。

在模型设计上,提出了数据仓库模型设计的方法论,为后来数据分析的

大规模应用奠定了基砧。

但是进入互联网时代后,最为重要的两个变化:

1、数据规模前所未有,传统的数据仓库难于扩展,根本无法承担如此

规模的海量数据八2、数据类型变得异构化,不仅有结构化数据,还有

半结构化,非结构数据。而传统的数据仓库对数据模型有严格的要求,

在数据导入到数据仓库前,数据模型就必须事先定义好,数据必须按照

模型设计存储。

因总总的限制,导致传统数据仓库无法支撑互联网时代的数据挖掘.

随着大数据技术普及,数据湖概念被提出。

数据湖(DataLake)是一个以原始格式存储数据的存储库或系统。

Sensoren

良7

WebLogs

SocialMedia

其构建组件基于Hadoop进行存储。

简而言之,数据湖原始数据统一存放在HDFS系统上,引擎以Hadoop

和Spark,Flink开源生态为主,存储和计算一体。

通俗总结:数据仓库和数据湖

数据仓库存储结构化数据(先处理后存储)。

数据湖存储原始数据(先存储后处理)。

这里可以用一个做菜的场景做一个类比。以前数据仓库的时候,好比把

原材料都加工好了,比如土豆清洗,去皮,切片,这样炒土豆片的时候

直接炒就可以了。数据湖的时候呢,直接把土豆存储进来,这样以后想

炒土豆片就切片,想炒土豆丝就切丝。增加了灵活性的同时,省去了前

期头都处理的践用C

三、批处理的数据存储

3.1HDFS分布式文件系统

HadoopDistributedFileSystem,简称HDFS,是,个分布式文件系

统。它是谷歌的GoogleFileSystem(GFS)提出之后,DougCutting

受Google启发而开发的一种类GFS文件系统。

它有一定高度的容错性,而且提供了高吞吐量的数据访问,非常适合大

规模数据集上的应用。

HDFS提供了一个高容错性和高吞吐量的海量数据存储解决方案。

在Hadoop的整个架构中,HDFS在MapReduce任务处理过程中提供

了对文件操作和存储等的支持,MapReduce在HDFS基础上实现了任

务的分发、跟踪和执行等工作,并收集结果,两者相互作用,共同完成

\Hadoop分布式集群的主要任务。

HDFS分布式文件架构如下所示:

离线数据一般基于HDFS分布式文件系统作为数据仓库。

四、实时处理的数据存储

实时处理的数据为无界流数据,因此分为原数据存储和数据处理后的存

储。

4.1原数据存储

实时数据处理通常还会有从某历史时间点.重启以及多个实时任务都要使

用同一源头数据的需求,因此通常还会引人消息中间件Kafka来作为缓

冲,从而达到实时数据采集和处理的适配。

Producers

Consumers

Kafka是最初由Linkedin公司开发,是一个分布式、可分区、多副

本,基于zookeeper协调的分布式消息系统。

场景:在实时数仓中,以Kafka为支撑,将所有需要实时处理的相关数

据放到Kafka队列中来实现贴源数据层(ODS)。

4.2实时处理之后的数据存储

1、HBase的NOSQL数据库

HBase是一种构建在HDFS之上的分布式、面向列族的存储系统。在需

要实时读写并随机访问超大规模数据集等场景下,HBase目前是市场

上主流的技术选择。HBase技术来源于Google论文《Bigtable:一个

结构化数据的分布式存储系统》。

如同Bigtable利用了GoogleFileSystem提供的分布式数据存储方式一

样,HBase在HDFS之上提供了类似于Bigtable的能力。

HBase解决了传统数据库的单点性能极限。

实际上,传统的数据库解决方案,尤其是关系型数据库也可以通过复制

和分区的方法来提高单点性能极限,但这些都是后知后觉的,安装和维

护都非常攵杂。而HBmse从另•个角度处理伸缩性问题,即通过线性

方式从下到上增加节点来进行扩展。

场景:对于数据在线服务(即数据使用方传入某个业务ID,然后获取

到所有此ID的相关字段),通常放在HBase内。

2、关系型数据库

实时数据经过实时计算引擎Fli

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论