大数据典型的离线处理场景

1.大数据数据仓库及它的架构改进

对于离线场景，最典型的就是数据仓库。它和传统的数仓不太一样。因为传统数仓它只能解决中小规模的数据存储与分析问题。大数据这一块要能承接海量的数据。

我们来看一下它们的基本架构。首先对于传统数仓的数据分析，业务数据产生之后会存在单机数据库里面。比如说mysql、oracle、DB2等等。ETL任务会定期把它们集中抽取到数据仓库中，进行一个汇总和管理。

数仓比较早的时候它是单节点的，单节点怎么能够存储较多的数据呢？大家可能都听过大型机这个概念，配置非常豪华的服务器，它的容量包括性能是足够ok的。

如果说单节点存不下，会使用mpp数据库架构，它是多节点架构。可以容纳中等规模的数据集。

但是它的节点数是存在上限的，不管是单节点还是mpp，它最大的问题在于扩展性能上限，导致数据容量是有上限的。

数据存到数仓里，基于数仓的数据在做一些分析时候，需要编写应用代码。代码在运行的时候，需要从数据仓库中进行数据的一个查询。将查询出来的数据做一个抽取，把数据抽取到计算程序所在的节点后再进行运算。运算得到结果最后做一个输出。

中间这个过程，因为要在网络上进行数据抽取，所以数据量一旦达到比较大的规模。比如说这个数据有100tb，对于网络的影响就比较高。而且它的抽取效率也是很慢的。当然中小规模数据集是没有问题的。

所以传统数据分析一旦数据量达到某一个规模之后，它分析起来其实性能就比较差了，会比较吃力一些。

对于大数据分析这一块，它是怎么去解决这个问题的？

首先数据源这里就比较丰富，体现了大数据场景的多样性。它有非结构化、半结构化、结构化数据。

这些数据抽取过来，在进行存储的时候就是以完全分布式的方式进行存储。大数据的架构基本都是天然分布式的，这样的话它的扩展性能是非常好的。

现在我们有5台节点进行存储，如果容量达到了上限，我们可以新增一些节点，这样它的容量就会线性增加。

那如果我们单个文件比较大，比如说我们有一个文件，有1tb大小。这样的一个大文件在存的时候，大数据这里使用了分而治之的一个思想。它把大的文件拆分成非常多的小块，每一个数据块是128M。拆成这些小块以后，再均匀的打散到各个服务器节点中进行存储。

这样的话即使你这个文件再大，我都能够保存起来。这样的话就解决了数据存储这一块的问题。

接下来在计算的时候，因为单个文件就1tb，数据量比较大。那如果把这个数据经过网络进行移动，在进行分析运算的时候，性能会比较差。

这个时候我们换一种思路，去解决这个问题。怎么解决？

你数据移动开销比较高，那你数据就不要动。数据不要动，我的计算任务分发到数据节点进行一个运算。

计算任务它本身就是一个代码程序，它分发到各个节点效率或者速度是比较快的。计算任务在数据节点
直接进行运算，这样的话每个节点得到的结果一定是部分结果。为什么？

因为数据打散到各个节点，每个节点存储的是部分数据，部分数据计算的结果肯定是部分结果。部分结果得到以后，我们只需要再新增一个阶段，把这个部分结果汇总成最终结果再做一个输出就ok。

那部分结果的汇总，大家可想而知，它的开销或者代价一定是比较低的。

所以这是大数据的第二个思想，叫移动计算而非移动数据。这样的话它就解决了我们海量数据，在计算这一块的一个性能瓶颈。

但是这种架构，它对于这种中小规模的数据，其实是不太友好的。如果你这个数据1G它先要拆分，拆分后需要发送到各个节点存储，并且要存储多个副本保证容错。并且在计算的时候，计算任务要分发到这个节点再运算，运算完以后要汇总最终结果，最后再进行输出。整个调度流程就比较长。

而1G的文件放在传统数据处理架构里面，它就可以直接完成计算，效率还高得多。

所以大数据要发挥它的实力，一定是数据规模达到一定量级以后，当它的调度时间要远远小于它的计算时间。这个时候大数据的力量、威力或者价值，才可以发挥出来。这一点大家要留意。

2.海量数据规模下的搜索与检索

除了数仓之外，离线场景还有做搜索与检索。这也是一个常见的场景。

搜索与检索的话，其实就是把数据先存起来，然后对这个数据做一些检索。检索的话一般来说做模糊匹配、正则匹配或者语义匹配，服务端能够很快给我返回结果。

大数据这一块搜索检索，它首先在存储上，数据已经达到了海量规模。再一个在做计算的时候，在海量数据规模下要求在非常短的时间里，要给到反馈结果。

查询的时候，要进行语义、模糊、正则匹配，或者是多功能的一些复杂匹配，大数据这一块的压力是更重的。所以要求它的性能是更高的。

比如，公安场景，将多维度的人口信息储存起来，需要调用的时候，能够快速匹配并返回结果。以便辅助案件的侦破与办理。

3.新兴的图计算领域

对于图计算，它主要是展现数据之间的关系。比方说它可以展现公司之间的关系情况，在图中我们可以看到，a公司与b公司、c公司之间是没有联系的，而b公司和c公司之间是有一些联系的。

在金融领域，图计算可以挖掘一些比如担保链的异常，比如a公司给b公司担保，b公司给c公司担保，c公司又给a公司担保，形成这样的一个链条肯定是非常有风险的。

包括反洗钱，它也是洗完以后又洗回来了。包括企业之间互相投资，a投资b，b投资c，c再投资a，形成这样的一个链条。

这种情况在金融中，如果使用关系型数据库，它是很难发现的。及时能够实现，运算量也非常庞大。

但是用图计算的话，可以很直观的直接做一个展现，避免了这些风险。

4.海量数据挖掘潜在价值

当然基于数据，我们也可以做数据挖掘。海量的数据它里面潜在的价值是非常高的。比如说我们基于上海市的街头监控数据，进行数据挖掘分析，最后做一个图展现。

这个图展现出来的，就是目前上海市当前这个时间，各个地点的人流密集情况。目前看到7这个地方人流是最密集的，是人民广场，10和6这两个紧随其后。

通过分析展现以后，可以辅助我们的治安工作的展开。比如说我们提前去派人力，去做人流的疏导。

当然如果它配上人工智能更是如虎添翼，人工智能厉害的是它可以做预测，它提前预测到某个地方，比如说10这个地方。也就是陆家嘴，在一个小时之后即将出现人流高峰。我们提前派警力，这样的话就可以杜绝一些风险的发生。

大数据实时处理场景

前面讲的都是我们的离线场景，对于实时场景的话，其实准确来说要实时处理数据，并产生结果。它有一个通用的架构与模式。

数据从数据源产生，数据源可以是ATM机的、POS机的、智能风机的，或者一些传感器。它们会实时产生数据，这些数据要先进入到一个分布式的消息队列里面做缓冲，而不是直接扔到大数据的分布式流处理集群里面进行运算。

为什么要先进入到分布式消息队列里面？它的目的主要是为了抗压，因为前面这些数据源，它在实时的产生数据。

那就有可能存在没办法预测的并发峰值，很典型的可以预测的峰值比如说618购物节、双11购物节、12306逢年过节抢票的时候。

这个时间的并发我们可以预测的，基本就是那个时间。

但是你比如说某个明星闹个绯闻，突然大量的流量涌上微博，这个是没办法预测的。

保不准哪个点流量涌上来以后，服务器直接就down掉了。这种没办法预测的峰值，如果直接扔到大数据平台，对大数据平台是会产生足够大的冲击的。大数据平台挂掉以后，大数据平台上面所有的业务都挂了，这个是风险很高的。

对于企业来说，一定要有抗压的这样的一个消息队列，这个消息队列它的抗压性能非常好，能够撑住足够的压力。如果说压力过大，我们可以通过扩展与新增节点来增加它的抗压性。

它扛住压力以后，分布式的大数据流处理集群，再从我们的分布式队列里面去取数据，取到数据后进行正常的处理，最后把结果做一个输出。

有这样的架构以后，大量消息涌上来以后，无非是在分布式消息队列里面多积压一会儿。但是只要是大数据的流处理集群没有挂，在规定时间里都是可以处理完的，而且避免了一个风险。

这是大数据常见的应用场景，这一节就和大家聊到这里，我们下期再会！视频内容可以在B站进行观看，传送门：数舟