[0001] 本發(fā)明涉及大數(shù)據(jù)處理描述，特別是一種基于數(shù)據(jù)加工中心的數(shù)據(jù)流式處理

方法。

背景

[0002] 無(wú)論用海量數(shù)據(jù)還是大數(shù)據(jù)來(lái)表征這個(gè)時(shí)代，數(shù)據(jù)規(guī)模龐大、增長(zhǎng)迅速、類(lèi)型繁 多、結(jié)構(gòu)各異已成為無(wú)法回避的現(xiàn)實(shí)問(wèn)題。如何把繁雜的大數(shù)據(jù)變成我們能應(yīng)付的、有效的 “小”數(shù)據(jù)，即針對(duì)特定問(wèn)題而構(gòu)建一個(gè)千凈、完備的數(shù)據(jù)集，這一過(guò)程變得尤為重要。

[0003] 大數(shù)據(jù)治理和分析是在大數(shù)據(jù)處理過(guò)程中非常棘手的問(wèn)題，如何做到處理的及時(shí) 性、靈活性和準(zhǔn)確性尤為重要。目前在互聯(lián)網(wǎng)行業(yè)中通常采用犧牲靈活型和準(zhǔn)確性(甚至允 許丟失部分?jǐn)?shù)據(jù)）的方式來(lái)?yè)Q取數(shù)據(jù)處理的及時(shí)性，但是在某些行業(yè)中，數(shù)據(jù)處理的準(zhǔn)確性 是非常重要的，同時(shí)又要確保其及時(shí)性和穩(wěn)定性。針對(duì)這種需求就生出的內(nèi)存池，共享內(nèi)存 以及管道等技術(shù)拼裝出數(shù)據(jù)加工中心，數(shù)據(jù)處理規(guī)則可以在數(shù)據(jù)加工中心中靈活配置，數(shù) 據(jù)流在加工中心“流”過(guò)后，加工中心就會(huì)根據(jù)配置業(yè)務(wù)規(guī)則提供相應(yīng)的組件對(duì)數(shù)據(jù)進(jìn)行實(shí) 時(shí)處理，經(jīng)過(guò)加工中心處理后的數(shù)據(jù)可以通過(guò)統(tǒng)一源管理對(duì)外提供數(shù)據(jù)。

[0004] 傳統(tǒng)的數(shù)據(jù)處理中心，數(shù)據(jù)處理步驟過(guò)程中數(shù)據(jù)落地，數(shù)據(jù)處理如排序，剔重，過(guò) 濾等等功能固化，增加特性化數(shù)據(jù)處理難，功能可擴(kuò)展性差，數(shù)據(jù)處理流向無(wú)法靈活控制。 目前許多的大數(shù)據(jù)應(yīng)用平臺(tái)不能夠靈活的配置各種數(shù)據(jù)源之間的互通，只能單一的從一種 數(shù)據(jù)源同步到另外一種數(shù)據(jù)源。同時(shí)大多數(shù)的大數(shù)據(jù)應(yīng)用平臺(tái)不能夠支持流式處理，即在 一個(gè)數(shù)據(jù)加工治理流程中需要多次的對(duì)數(shù)據(jù)進(jìn)行讀寫(xiě)，這樣不僅使得機(jī)器的10負(fù)載過(guò)高， 而且整個(gè)數(shù)據(jù)加工和治理的速度將大打折扣，在很多時(shí)候都不能滿足數(shù)據(jù)的及時(shí)性要求。 也有一些大數(shù)據(jù)應(yīng)用平臺(tái)不能夠支持很多種數(shù)據(jù)的加工方法，也不能夠靈活的配置加工方 法，只能夠單一的滿足一些業(yè)務(wù)要求。

[0005] 阿里大數(shù)據(jù)應(yīng)用平臺(tái)是阿里公司旗下產(chǎn)品的數(shù)據(jù)管理與分析平臺(tái)，其靈活的配置 任意數(shù)據(jù)源互通，具備統(tǒng)一的數(shù)據(jù)交換協(xié)議，可插件化開(kāi)發(fā)數(shù)據(jù)處理功能，具有功能全面的 流式計(jì)算集群。該應(yīng)用平臺(tái)處理來(lái)自云梯和飛天以及HBase和OceanBase等系統(tǒng)數(shù)據(jù)，但 是就該平臺(tái)而言目前在系統(tǒng)處理中應(yīng)用相對(duì)獨(dú)立，沒(méi)有將數(shù)據(jù)流串聯(lián)起來(lái)。

[0006] 相關(guān)術(shù)語(yǔ)：

ETL: ETL是Extract-Transform-Load的縮寫(xiě)，中文名稱(chēng)為數(shù)據(jù)提取、轉(zhuǎn)換和加載。是 構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)的重要一環(huán)，用戶(hù)從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)清洗，最終按照預(yù) 先定義好的數(shù)據(jù)倉(cāng)庫(kù)模型，將數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)中去。

[0007] 流式處理：流式處理利用管道模式使海量數(shù)據(jù)在生產(chǎn)線中流動(dòng)，加工組件實(shí)現(xiàn)對(duì) 數(shù)據(jù)清洗，轉(zhuǎn)化，拆分，入庫(kù)等操作。

[0008] 數(shù)據(jù)加工中心：一套完備的數(shù)據(jù)處理中心,可以對(duì)海量數(shù)據(jù)排重，維度替換，加密

去隱私化，數(shù)據(jù)分類(lèi)，聚類(lèi)等等。

內(nèi)容

[0009] 本發(fā)明要解決的技術(shù)問(wèn)題為：通過(guò)利用大數(shù)據(jù)平臺(tái)采用數(shù)據(jù)流式處理，提高大數(shù) 據(jù)處理速度，擴(kuò)大可支持的數(shù)據(jù)加工方法種類(lèi)范圍，同時(shí)在大數(shù)據(jù)處理過(guò)程中能夠靈活的 配置各種數(shù)據(jù)源之間的互通。

[0010] 本發(fā)明采取的技術(shù)手段具體為：一種基于數(shù)據(jù)加工中心的數(shù)據(jù)流式處理方法，所 述數(shù)據(jù)加工中心中預(yù)定義有包括數(shù)據(jù)校驗(yàn)、排序、聚合和分組的加工方法步驟，以及兩個(gè)不 同加工方法步驟之間的連接關(guān)系；數(shù)據(jù)加工中心還設(shè)置有用于連接數(shù)據(jù)源的數(shù)據(jù)源接入端 口、用于連接用戶(hù)界面的數(shù)據(jù)加工方法及流程定義接入端口、目標(biāo)數(shù)據(jù)輸出端口以及用于 連接流程監(jiān)控單元的加工流程監(jiān)控接口；

基于上述數(shù)據(jù)加工中心的數(shù)據(jù)流式處理方法包括以下步驟：

1) 數(shù)據(jù)獲?。和ㄟ^(guò)數(shù)據(jù)源接入端口獲取數(shù)據(jù)源；數(shù)據(jù)源接入端口連接的數(shù)據(jù)源類(lèi)型包 括傳統(tǒng) oracle、db2、mysql 數(shù)據(jù)庫(kù)，MPP 數(shù)據(jù)庫(kù) Greenplum、teradata，以及 hdfs、HBASE、 HIVE數(shù)據(jù)庫(kù)；

2) 流式處理配置：為已獲取的數(shù)據(jù)配置“管道”節(jié)點(diǎn)，利用共享內(nèi)存存儲(chǔ)已獲取到的數(shù) 據(jù)；

3) 數(shù)據(jù)加工方法配置：根據(jù)用戶(hù)通過(guò)數(shù)據(jù)加工方法及流程定義接入端口配置的數(shù)據(jù)加 工方法及數(shù)據(jù)加工流程，選擇和配置相應(yīng)的加工方法及多個(gè)加工方法的流程排序；為已保 存在共享內(nèi)存中的數(shù)據(jù)配置“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)，各“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)分別對(duì)應(yīng)一種加工方法； 同時(shí)在相鄰“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)之間配置“管道”節(jié)點(diǎn)，使得數(shù)據(jù)通過(guò)管道在依次連接的轉(zhuǎn)換 計(jì)算節(jié)點(diǎn)之間流轉(zhuǎn)同時(shí)被處理；

4) 目標(biāo)數(shù)據(jù)源的獲得：將步驟3)中最后一個(gè)轉(zhuǎn)換計(jì)算節(jié)點(diǎn)輸出的數(shù)據(jù)通過(guò)目標(biāo)數(shù)據(jù) 輸出端口輸出至目標(biāo)數(shù)據(jù)源中。

[〇〇11] 步驟1)中，本發(fā)明支持多種數(shù)據(jù)源的數(shù)據(jù)獲取。數(shù)據(jù)獲取，即在加工配置系統(tǒng)中 配置“抽取”節(jié)點(diǎn)，如數(shù)據(jù)源為DB2,則配置“DB2抽取”，同時(shí)配置抽取的詳細(xì)規(guī)則，如抽取的 表名規(guī)則等。本發(fā)明對(duì)數(shù)據(jù)源中數(shù)據(jù)的獲取為現(xiàn)有技術(shù)。步驟2)利用共享內(nèi)存對(duì)數(shù)據(jù)進(jìn) 行存儲(chǔ)，可使得數(shù)據(jù)從數(shù)據(jù)源如DB2中抽取出來(lái)后不會(huì)落地。經(jīng)過(guò)步驟3)后，數(shù)據(jù)即已根 據(jù)用戶(hù)定義的加工方法進(jìn)行加工，并得到了相應(yīng)的目標(biāo)數(shù)據(jù)源，此時(shí)如果還要將數(shù)據(jù)同步 到其他的數(shù)據(jù)源中，可以配置“裝載”節(jié)點(diǎn)，如要將加工完成的數(shù)據(jù)同步到HDFS中，則在步 驟4中的“管道”節(jié)點(diǎn)后面配置“HDFS裝載”節(jié)點(diǎn)，來(lái)完成數(shù)據(jù)同步。

[0012] 本發(fā)明在應(yīng)用時(shí)，用戶(hù)可通過(guò)可視化的用戶(hù)界面配置數(shù)據(jù)加工方法和定義數(shù)據(jù)加 工流程，如果缺少想要的數(shù)據(jù)加工方法,可以以插件的方式添加組件，也就是添加加工方 法。用戶(hù)通過(guò)對(duì)不同加工方法的組合得到想到的加工流程。數(shù)據(jù)加工中心將用戶(hù)定義的加 工方法和流程保存起來(lái)，生成加工計(jì)劃，并對(duì)其中的加工任務(wù)進(jìn)行解析。在進(jìn)行流式處理加 工時(shí)，首先要從數(shù)據(jù)源中采集相關(guān)數(shù)據(jù)，數(shù)據(jù)源可以是不同類(lèi)型的數(shù)據(jù)庫(kù)也可以是文件，然 后根據(jù)加工任務(wù)的解析結(jié)果，對(duì)所獲取的數(shù)據(jù)源提供的數(shù)據(jù)進(jìn)行逐步加工。

[0013] 本發(fā)明的流式數(shù)據(jù)加工處理方法中僅存在唯一一次讀取數(shù)據(jù)源中數(shù)據(jù)的操作，后 續(xù)便以共享內(nèi)存的方式儲(chǔ)存數(shù)據(jù)，以便讓數(shù)據(jù)流向一個(gè)或者是多個(gè)不同的數(shù)據(jù)加工方法。 將加工完成的數(shù)據(jù)寫(xiě)入到目標(biāo)數(shù)據(jù)源中，也是整個(gè)數(shù)據(jù)加工流程中的唯一一次寫(xiě)入操作。

[0014] 數(shù)據(jù)在加工過(guò)程中，用戶(hù)可以通過(guò)流程監(jiān)控單元實(shí)現(xiàn)實(shí)時(shí)的監(jiān)控流程，流程監(jiān)控單元可將獲取到的監(jiān)控信息輸出至可視化的用戶(hù)界面中，例如當(dāng)前運(yùn)行到了哪個(gè)加工方 法，運(yùn)行了多長(zhǎng)時(shí)間等等。

[0015] 有益效果

本發(fā)明通過(guò)利用流式處理方式，采集不同源的數(shù)據(jù)到加工中心，將任意數(shù)據(jù)源數(shù)據(jù)互 通，并對(duì)數(shù)據(jù)做各種各樣的加工或處理，保證整個(gè)過(guò)程只讀取和寫(xiě)入一次數(shù)據(jù)，提高了數(shù)據(jù) 處理的速度。且本發(fā)明可以支持非常豐富的加工方法，包括數(shù)據(jù)校驗(yàn)，數(shù)據(jù)清洗，庫(kù)外計(jì)算， 對(duì)結(jié)構(gòu)化數(shù)據(jù)中的某些字段做空值，長(zhǎng)度，類(lèi)型等等校驗(yàn)，對(duì)數(shù)據(jù)進(jìn)行排序，剔重，過(guò)濾等， 對(duì)數(shù)據(jù)進(jìn)行分組和聚合等，這些方法全部都可以由用戶(hù)通過(guò)用戶(hù)界面靈活的配置或定制。 同時(shí)本發(fā)明的加工中心設(shè)置有用于連接流程監(jiān)控單元的加工流程監(jiān)控接口，能夠很直觀的 監(jiān)控整個(gè)數(shù)據(jù)加工流程，方便統(tǒng)一管控。

附圖說(shuō)明

[0016] 圖1所示為本發(fā)明數(shù)據(jù)流式加工系統(tǒng)原理示意圖；

圖2所示為本發(fā)明的數(shù)據(jù)處理流程示意圖；

圖3所示為本發(fā)明的數(shù)據(jù)流式處理流程示意圖。

實(shí)施

[0017] 以下結(jié)合附圖和具體實(shí)施例進(jìn)一步說(shuō)明。

[0018] 如圖1所示，本發(fā)明的一種基于數(shù)據(jù)加工中心的數(shù)據(jù)流式處理方法，所述數(shù)據(jù)加 工中心中預(yù)定義有包括數(shù)據(jù)校驗(yàn)、排序、聚合和分組的加工方法步驟，以及兩個(gè)不同加工方 法步驟之間的連接關(guān)系；數(shù)據(jù)加工中心還設(shè)置有用于連接數(shù)據(jù)源的數(shù)據(jù)源接入端口、用于 連接用戶(hù)界面的數(shù)據(jù)加工方法及流程定義接入端口、目標(biāo)數(shù)據(jù)輸出端口以及用于連接流程 監(jiān)控單兀的加工流程監(jiān)控接口；

結(jié)合圖1至圖3,基于上述數(shù)據(jù)加工中心的數(shù)據(jù)流式處理方法包括以下步驟：

1) 數(shù)據(jù)獲?。和ㄟ^(guò)數(shù)據(jù)源接入端口獲取數(shù)據(jù)源；數(shù)據(jù)源接入端口連接的數(shù)據(jù)源類(lèi)型包 括傳統(tǒng) oracle、db2、mysql 數(shù)據(jù)庫(kù)，MPP 數(shù)據(jù)庫(kù) Greenplum、teradata，以及 hdfs、HBASE、 HIVE數(shù)據(jù)庫(kù)；

2) 流式處理配置：為已獲取的數(shù)據(jù)配置“管道”節(jié)點(diǎn)，利用共享內(nèi)存存儲(chǔ)已獲取到的數(shù) 據(jù)；

3) 數(shù)據(jù)加工方法配置：根據(jù)用戶(hù)通過(guò)數(shù)據(jù)加工方法及流程定義接入端口配置的數(shù)據(jù)加 工方法及數(shù)據(jù)加工流程，選擇和配置相應(yīng)的加工方法及多個(gè)加工方法的流程排序；為已保 存在共享內(nèi)存中的數(shù)據(jù)配置“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)，各“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)分別對(duì)應(yīng)一種加工方法； 同時(shí)在相鄰“轉(zhuǎn)換計(jì)算”節(jié)點(diǎn)之間配置“管道”節(jié)點(diǎn)，使得數(shù)據(jù)通過(guò)管道在依次連接的轉(zhuǎn)換 計(jì)算節(jié)點(diǎn)之間流轉(zhuǎn)同時(shí)被處理；

4) 目標(biāo)數(shù)據(jù)源的獲得：將步驟3)中最后一個(gè)轉(zhuǎn)換計(jì)算節(jié)點(diǎn)輸出的數(shù)據(jù)通過(guò)目標(biāo)數(shù)據(jù) 輸出端口輸出至目標(biāo)數(shù)據(jù)源中。

[〇〇19] 步驟1)中，本發(fā)明支持多種數(shù)據(jù)源的數(shù)據(jù)獲取。數(shù)據(jù)獲取即在加工配置系統(tǒng)中配

置“抽取”節(jié)點(diǎn)，如數(shù)據(jù)源為DB2,則配置“DB2抽取”，同時(shí)配置抽取的詳細(xì)規(guī)則，如抽取的表 名規(guī)則等。本發(fā)明對(duì)數(shù)據(jù)源中數(shù)據(jù)的獲取為現(xiàn)有技術(shù)。步驟2)利用共享內(nèi)存對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)，可使得數(shù)據(jù)從數(shù)據(jù)源如DB2中抽取出來(lái)后不會(huì)落地。經(jīng)過(guò)步驟3)后，數(shù)據(jù)即已根據(jù) 用戶(hù)定義的加工方法進(jìn)行加工，并得到了相應(yīng)的目標(biāo)數(shù)據(jù)源，此時(shí)如果還要將數(shù)據(jù)同步到 其他的數(shù)據(jù)源中，可以配置“裝載”節(jié)點(diǎn)，如要將加工完成的數(shù)據(jù)同步到HDFS中，則在步驟 4中的“管道”節(jié)點(diǎn)后面配置“HDFS裝載”節(jié)點(diǎn)，來(lái)完成數(shù)據(jù)同步。

[0020] 本發(fā)明在應(yīng)用時(shí)，用戶(hù)可通過(guò)可視化的用戶(hù)界面配置數(shù)據(jù)加工方法和定義數(shù)據(jù)加 工流程，如圖1所示實(shí)施例中的數(shù)據(jù)校驗(yàn)、排序、聚合和分組等現(xiàn)有的或自行通過(guò)現(xiàn)有軟件 技術(shù)定義數(shù)據(jù)加工方法。如果缺少想要的數(shù)據(jù)加工方法，可以以插件的方式添加組件，也就 是添加加工方法。用戶(hù)通過(guò)對(duì)不同加工方法的組合得到想到的加工流程。數(shù)據(jù)加工中心將 用戶(hù)定義的加工方法和流程保存起來(lái)，生成加工計(jì)劃，并對(duì)其中的加工任務(wù)進(jìn)行解析。在進(jìn) 行流式處理加工時(shí)，首先要從數(shù)據(jù)源中采集相關(guān)數(shù)據(jù)，數(shù)據(jù)源可以是不同類(lèi)型的數(shù)據(jù)庫(kù)也 可以是文件，然后根據(jù)加工任務(wù)的解析結(jié)果，對(duì)所獲取的數(shù)據(jù)源提供的數(shù)據(jù)進(jìn)行逐步加工。

[0021] 參考圖3,本發(fā)明的流式數(shù)據(jù)加工處理方法中僅存在唯一一次讀取數(shù)據(jù)源中數(shù)據(jù) 的操作，后續(xù)便以共享內(nèi)存的方式儲(chǔ)存數(shù)據(jù)，以便讓數(shù)據(jù)流向一個(gè)或者是多個(gè)不同的數(shù)據(jù) 加工方法。將加工完成的數(shù)據(jù)寫(xiě)入到目標(biāo)數(shù)據(jù)源中，也是整個(gè)數(shù)據(jù)加工流程中的唯一一次 寫(xiě)入操作。

[0022] 數(shù)據(jù)在加工過(guò)程中，用戶(hù)可以通過(guò)流程監(jiān)控單元實(shí)現(xiàn)實(shí)時(shí)的監(jiān)控流程，流程監(jiān)控 單元可將獲取到的監(jiān)控信息輸出至可視化的用戶(hù)界面中，例如當(dāng)前運(yùn)行到了哪個(gè)加工方 法，運(yùn)行了多長(zhǎng)時(shí)間等等。

實(shí)施例

[0023] 如將本發(fā)明應(yīng)用于某電信公司省級(jí)經(jīng)分系統(tǒng)，要求對(duì)GPRS流量接口數(shù)據(jù)從MPP數(shù) 據(jù)庫(kù)（GP)同步到Hadoop中，并且對(duì)MSISDN (手機(jī)號(hào)碼）字段做隱私化處理，并且做空值校 驗(yàn)，同時(shí)對(duì)CALL_DUR(通話時(shí)長(zhǎng)）字段做運(yùn)算（將字段值加一）。

[0024] 對(duì)上述數(shù)據(jù)處理任務(wù)的要求，可以在數(shù)據(jù)加工中心通過(guò)如下步驟來(lái)完成：

配置數(shù)據(jù)加工流程為：表掃描6GP數(shù)據(jù)源抽取d!管道流d!轉(zhuǎn)換計(jì)算d!管道6HDFS裝載，

該流程也是一個(gè)數(shù)據(jù)流；

在數(shù)據(jù)加工中心中配置數(shù)據(jù)加工方法，即在以上流程的“轉(zhuǎn)換計(jì)算”中配置，對(duì)手機(jī)號(hào) 碼字段做隱私化和空值校驗(yàn)方法，對(duì)通話時(shí)長(zhǎng)字段做運(yùn)算；

數(shù)據(jù)加工中心按照已經(jīng)配置的加工方法和管道流向進(jìn)行方法的解析和實(shí)施。

[0025] 上述步驟從GP數(shù)據(jù)抽取到HDFS裝載流程中配置了管道，也是實(shí)現(xiàn)“流式處理”的 關(guān)鍵。在整個(gè)數(shù)據(jù)流式處理的過(guò)程中，流程監(jiān)控單元可以監(jiān)控整個(gè)數(shù)據(jù)流的運(yùn)行狀態(tài)。

[0026] 本發(fā)明通過(guò)利用流式處理方式，采集不同源的數(shù)據(jù)到加工中心，將任意數(shù)據(jù)源數(shù) 據(jù)互通，并對(duì)數(shù)據(jù)做各種各樣的加工或處理，保證整個(gè)過(guò)程只讀取和寫(xiě)入一次數(shù)據(jù)，提高了 數(shù)據(jù)處理的速度。且本發(fā)明可以支持非常豐富的加工方法，包括數(shù)據(jù)校驗(yàn)，數(shù)據(jù)清洗，庫(kù)外 計(jì)算，對(duì)結(jié)構(gòu)化數(shù)據(jù)中的某些字段做空值，長(zhǎng)度，類(lèi)型等等校驗(yàn)，對(duì)數(shù)據(jù)進(jìn)行排序，剔重，過(guò) 濾等，對(duì)數(shù)據(jù)進(jìn)行分組和聚合等，這些方法全部都可以由用戶(hù)通過(guò)用戶(hù)界面靈活的配置或 定制。同時(shí)本發(fā)明的加工中心設(shè)置有用于連接流程監(jiān)控單元的加工流程監(jiān)控接口，能夠很 直觀的監(jiān)控整個(gè)數(shù)據(jù)加工流程，方便統(tǒng)一管控，簡(jiǎn)化加工的繁雜性，對(duì)一批海量的數(shù)據(jù)進(jìn)行 清洗或分組聚合等等操作都可以交給一個(gè)數(shù)據(jù)加工中心，從數(shù)據(jù)加工中心流出的數(shù)據(jù)即是用戶(hù)想要的數(shù)據(jù)。

 

 

提示：由于編輯困難導(dǎo)致圖片無(wú)法顯示及全文的完整、準(zhǔn)確性或存在缺失！

本文由伯特利數(shù)控整理發(fā)表文章均來(lái)自網(wǎng)絡(luò)僅供學(xué)習(xí)參考，轉(zhuǎn)載請(qǐng)注明！