数据平台的建设Word下载.docx

数据平台的建设Word下载.docx

《数据平台的建设Word下载.docx》由会员分享，可在线阅读，更多相关《数据平台的建设Word下载.docx（8页珍藏版）》请在冰豆网上搜索。

人为整合出错率高怎么控制？

分析不及时效率低要不要处理？

从系统的视角来看：

2.业务系统压力大，而不巧，数据分析又是一项比较费资源的任务。

那么自然会想到的，通过将数据抽取出来，独立服务器来处理数据查询、分析任务，来释放业务系统的压力。

3.性能问题，公司可以越做越大，同样的数据也会越来越大。

可能是历史数据的积累，也可能是新数据内容的加入，当原始数据平台不能承受更大数据量的处理时，或者是效率已经十分低下时，重新构建一个大数据处理平台就是必须的了。

上面我列出了三种情况，但他们并非独立的，往往是其中两种甚至三种情况同时出现。

一个数据平台的出现，不仅可以承担数据分析的压力，同样可以对业务数据进行整合，也会不同程度的提高数据处理的性能，基于数据平台实现更丰富的功能需求。

二、数据平台的建设有哪些方案可以选择

如果一句话回答的话，那就是：

太多了，但确实有非常多的方案可供选择，我懂的少，肯定是无法一一介绍，所以就分成了下面几类，相信也一定程度上覆盖了部分企业的需求了。

1.常规数据仓库：

概念不说了，既然是做数据这一行的，相信大家都比较清楚，不清楚的可以XX。

它的重点在于数据整合，同时也是对业务逻辑的一个梳理。

虽然它也可以打包成ssas（多维数据集）那种cube（多维数据库）一类的东西来提升数据的读取性能，但是数据仓库的作用，更多的是为了解决公司的业务问题，而不仅仅是性能问题。

这一点后面会详细介绍。

优点：

方案成熟，关于数据仓库的架构，不管是Inmon架构还是Kimball架构，都有着非常广泛的应用，而且相信能将这两种架构落地的人也不少。

实施简单，涉及的技术层面主要是仓库的建模以及etl的处理，很多软件公司具备数据仓库的实施能力，实施难度的大小更多的取决于业务逻辑的复杂程度，而并非技术上的实现。

灵活性强，说这句话要有对应场景的，数据仓库的建设是透明的，如果需要，可以对仓库的模型、etl逻辑进行修改，来满足变更的需求。

同时对于上层的分析而言，通过sql或者mdx对仓库数据的分析处理具备极强的灵活性。

缺点：

“实施周期长”，注意，我加了引号，对应下面的敏捷型数据集市，而且这点是相对的，实施周期的长与短要取决于业务逻辑的复杂性，时间是花在了业务逻辑的梳理，并非技术上的瓶颈。

关于这点，后面会详细介绍。

数据的处理能力有限，这个有限，也是相对的，海量数据的处理它肯定不行，非关系型数据的处理它也不行，但是TB以下级别的数据，还是搞得定的（也取决于所采用的数据库系统），这个量级的数据，而相当一部分企业的数据，还是很难超过这个级别的。

2.商业敏捷型数据集市：

底层的数据产品与分析层绑定，使得应用层可以直接对底层数据产品中的数据进行拖拽式分析。

这一类产品的出现，其初衷是为了对业务数据进行简单的、快速的整合，实现敏捷建模，并且大幅提升数据的处理速度。

目前来看，这些产品都达到了以上的目的。

但它的优缺点也比较明显。

部署简单，敏捷开发，这也是这类产品最大的优点，和数据仓库相比，实施周期要短的多。

实际上它也没什么严格的实施的概念，因为这类产品只是针对需要分析的数据，进行局部的关联，只考虑眼前要解决的问题就够了，迭代的能力更强些。

与上层的分析工具结合较好，上层的分析工具接入这类数据产品后，可直接实现数据的图形化展示和olap分析。

对数据处理性能的提高，这类产品都对数据的分析性能做了处理，虽然方式不尽相同，有内存映射文件存储的，也有分布式架构、列数据存储的。

但无疑都一定程度上提高了数据的处理性能。

首先，它是要收费的。

无法处理复杂的业务逻辑，这只是一个工具，它无法解决业务问题。

这类工具中自带简单的etl功能，实现简单的数据处理和整合，而如果考虑到历史数据，考虑到整体的数据之间的逻辑和关系，它一定是解决不了的。

一个简单的例子，当某个表中，有两个字段，一个要保留历史数据，一个要更新历史数据，要怎样实现自动处理。

有一个观念是需要清楚的，不能指望一款工具来解决业务问题。

这种数据产品仅仅是对当前的业务数据进行简单的整合，第一，数据是局部的，第二，时间是当前的（其涵带的增量更新或者全量更新，是无法应对复杂的逻辑的，相信熟悉etl的人都知道这个过程有多复杂）。

当然，对于一些公司来说，可能需求只是对当前业务数据进行整合分析，那么这类产品就够了。

灵活性低，这个也是没法避免的，越是操作简单的工具，他的灵活性肯定受限，因为封装住了，产品是不透明的，常规的需求用起来非常方便，但是遇到复杂的，发现对他内部不了解，你也没法修改，只有寻求厂商解决的份。

从我的角度看，它是很难成为公司的数据中心的。

3.MPP（大规模并行处理）架构的数据产品，以greenplum为例

传统的主机计算模式在海量数据面前，显得弱鸡。

造价非常昂贵，同时技术上也无法满足高性能的计算，smp架构难于扩展，在独立主机的cpu计算和io吞吐上，都没办法满足海量数据计算的需求。

分布式存储和分布式计算正是解决这一问题的关键，不管是后面的MapReduce计算框架还是MPP计算框架，都是在这一背景下产生的。

greenplum的数据库引擎是基于postgresql的，并且通过Interconnnect连接实现了对同一个集群中多个postgresql实例的高效协同和并行计算。

同时，基于greenplum的数据平台建设，可以实现两个层面的处理，显而易见的一个是对数据处理性能的处理，greenplum数据库宣称支持50PB级海量数据的处理，对目前greenplum实际应用情况的了解，100TB级左右的数据，是非常轻松的。

另一个是数据仓库可以搭建在greenplum中，这一层面上也是对业务逻辑的梳理，对公司业务数据的整合。

海量数据的支持，大量成熟的应用案例，所以我想这一点是不用怀疑的。

扩展性，据说可线性扩展到10000个节点，并且每增加一个节点，查询、加载性能都成线性增长。

易用性，不需要复杂的调优需求，并行处理由系统自动完成。

依然是sql作为交语言，简单、灵活、强大。

高级功能，greenplum还研发了很多高级数据分析管理功能，例如外部表，还有Primary/Mirror镜像保护机制，行／列混合存储等。

稳定性，greenplum原本作为一个纯商业数据产品，具有很长的历史，其稳定性相比于其他产品以及敏捷性数据集市是更加有保障的。

greenplum有非常多的应用案例，纳斯达克、纽约证券交易所、平安银行、建设银行、华为等都建立了基于greenplum的数据平台。

其稳定性是可以从侧面验证的。

本身来说，它的定位在olap领域，不擅长oltp交易系统。

当然我们搭建公司的数据中心也不会是用来做交易系统的。

成本，两个方面的考虑，一是硬件成本，greenplum有其推荐的硬件规格，对内存、网卡都有要求。

当然，在硬件选型上，需要达到一个平衡，要在性能、容量、成本等多方面考虑，毕竟不能一味的追求性能，把采购部门吓到吧。

另一个是实施成本，这里主要是人了，基本的是greenplum的安装配置，再到greenplum中数据仓库的构建，都需要人和时间。

技术门槛，这里是相对于上一个敏捷型数据集市的，greenplum的门槛肯定是要高一点了。

4.hadoop分布式系统架构

关于hadoop，已经火的要爆炸了，greenplum的开源跟它也是脱不了关系的。

有着高可靠性、高扩展性、高效性、高容错性的口碑。

在互联网领域有非常广泛的运用，雅虎、facebook、XX、淘宝、京东等。

hadoop生态体系非常庞大，各公司基于hadoop所实现的也不仅限于数据平台，也包括数据分析、机器学习、数据挖掘、实时系统等。

当企业数据规模达到一定的量级，我想hadoop是各大企业的首选方案，到达这样一个层次的时候，我想企业所要解决的也不仅是性能问题，还会包括时效问题、更复杂的分析挖掘功能的实现等。

非常典型的实时计算体系也与hadoop这一生态体系有着紧密的联系。

近些年来hadoop的易用性也有了很大的提升，sql-on-hadoop技术大量涌现，包括hive、impala、spark-sql等。

尽管其处理方式不同，但普遍相比于原始基于文件的Mapreduce，不管是性能还是易用性，都是有所提高的。

也因此对mpp产品的市场产生了压力。

对于企业构建数据平台来说，hadoop的优势与劣势非常明显：

它的大数据的处理能力、高可靠性、高容错性、开源性以及低成本（为什么说低成本，要处理同样规模的数据，换一个其他方案试试）。

缺点也就是他的体系的复杂，技术门槛较高（能搞定hadoop的公司规模一般都不小了）。

关于hadoop的优缺点对于公司的数据平台选型来说，影响已经不大了。

需要上hadoop的时候，也没什么其它的方案好选择（要么太贵，要么不行），没到达这个数据量的时候，也没人愿意碰这东西。

总之，不要为了大数据而大数据。

三、方案很多，企业要怎样选择呢

环境太复杂，但是我想至少要从下面这几个方面去考虑吧。

1.目的：

什么样的目的？

就是文中开始部分的三种情况吧，或者是其中几个的组合。

当然，要明确数据平台的建设目的，哪里是那么容易的，初衷与讨论后确认的目标或许是不一致的。

公司要搭建一个数据平台的初衷可能很简单，只是为了减轻业务系统的压力，将数据拉出来后再分析，如果目的真的就这么单纯，还真的没有必要大动干戈了。

如果是独立系统的话，直接将业务系统的数据库复制出来一份就好了；

如果是多系统，选型敏捷型的商业数据产品也够了，快速建模，直接用工具进去就能实现数据的可视化与olap分析。

但是，既然已经决定要将数据平台独立出来了，就不再多考虑一点吗？

多个系统的数据，不趁机梳理整合一下？

当前只有分析业务数据的需求，以后会不会考虑到历史数据呢？

这种敏捷的方案能够支撑明年、后年的需求吗？

任何公司要搭建数据平台，都不是一件小事，多花一两个月实施你可能觉得累，多花一周两周的时间，认真的思考一下总可以的吧。

雷军不是说过这样一句话：

不能以战术上的勤奋，掩盖战略上的懒惰。

2.数据量：

根据公司的数据规模选择合适的方案。

3.成本：

包括时间成本和金钱，不必多说。

但是这里有一个问题想提一下，发现很多公司，要么不上数据平台，一旦有了这样的计划，就恨不得马上把平台搭出来用起来，时间成本不肯花，这样的情况很容易考虑欠缺，也容易被数据实施方忽悠。

关于方案选择的建议，举几个场景，推荐一款轻量级计算引擎-集算器

集算器是一款专注于（半）结构化数据分析与处理的程序设计语言，面向应用程序员和数据分析员，比SQL、java、perl/python,R语言有更高的开发效率，特别适合业务规则复杂的多步骤运算，可通过简单代码实现多线程并行计算。

场景a：

要实现对业务数据的快速提取和分析，多个业务系统，没有达到海量数据，考虑历史数据，不需要依照业务逻辑对数据进行系统的梳理，这种情况下，可以考虑集算器，通过多源异构接入多个业务系统的数据，通过混合计算，二进制存储，实现多个业务系统的数据分析。

简单来