关于大数据:大数据开发实时范围统计系统设计

44次阅读

共计 1609 个字符，预计需要花费 5 分钟才能阅读完成。

在大数据生产环境下，往往需要是越快越好，对于实时零碎开发，需要往往是一个状态值，比方多少次，多少个，而对于离线数据开发，因为不是实时，所以能够开发各种简单需要，另外一种基于 Lambda 架构或者 Kappa 架构的，往往场合时实时统计零碎，实时统计零碎在后面 Lambda 架构的设计中曾经谈过，本文时另外一种更简单的利用场景，对于 Lambda 架构中产生的流水，要尽可能快地满足范畴查问，什么意思呢，Lambda 架构中，虽说能够查问一个范畴统计的流水，然而为了尽可能地快，将离线计算结果是 count，count(distinct) 这两种能够更细地划分，做初步的聚合，比方生成一个 Set 的汇合，这样能够满足在查问层更快地合并数据，然而同时也减少了架构的复杂性和非通用性，同理本文的实时范畴查问，是基于需要的一种简单设计，解决的是这样的一个问题，我想求一段范畴的 count，怎么保障最快地计算结果。

## 原始数据表 t1 流水如下
transactionId,id1,id2,money,create_time
## 目标
## 输出 id1, 一段范畴 create_time, 失去 count(money)

后面背景中次要抛出一个问题，如何设计这样的零碎，满足疾速求工夫范畴的 count, 须要达到生产级别的实时查问零碎。

（1）为了疾速 count，必然不能只有流水，只有流水的 count，遇到数据量大的范畴 count，很耗时，所以设计预计算 count，即截至到 xx，某个 id 的所有 count（money)

(2) 在查问时候只须要查到开始工夫的最左工夫流水，和完结工夫的右迫近流水，相减即可

（3）为了疾速查问工夫和 id，必然须要这两个加索引

（4）如果需要是最近三个月的查问，那么回溯时候，能够认为设计开始工夫节点，从那里开始时 0，而后开始一直累加

留神：（4）看利用需要，能够将最原始节点卡在三个月前，令那个工夫点的截至数据 count 就是 0

示意图如下：

假如是（3）计划，更通用的计划，就是数据会存的更多一点

假如原始全量数据存在于 mysql 表中，那么须要新建设一张 t2 表，字段如下：

id1,create_time, money_sum

（1）首次计算如下

SELECT id1,
       create_time,
       sum() over(PARTITION BY money_sum
                  ORDER BY create_time) AS money_sum
WHERE create_time > NOW

(2) 增量计算

## 查问 t1 一条增量记录
select id1,create_time,money from t1
## 查问 t2 这个 id1 的最近一条记录
SELECT id1,
       create_time,
       monye_sum + MONEY AS money_sum
FROM
  (SELECT id1,
          create_time,
          money_sum,
          row_number() over(PARTITION BY id1
                            ORDER BY create_time DESC) r
   FROM t2
   WHERE id1 = xx )
WHERE r=1
## 将这条记录 insert 到 t2 即可

如果数据有同一时间的多条记录怎么办，如果重复记录有提早怎么办

针对第一个问题，如果有多条重复记录，就要看业务需要了，业务需要如果肯定要精准实时的，那么必须要等下个工夫的数据过去或者确定统计完结，能力将 money 加上，就是 3.(2) 中的 select xx from t1 可能有多条数据的状况，肯定要确保这个 id 不会有同一反复的记录才行，这时候就有两种解决形式，一种是默认等 1s，如果没有新数据就完结，另外一种是等新工夫点数据，如果来了就算完结，如果业务需要能够承受提早，那么同样的数据，不同的查问工夫点可能就会有不同的后果。

所以真的要看业务需要来看设计形式，比拟常见的形式是提早期待，没有新工夫就计算。
吴邪，小三爷，混迹于后盾，大数据，人工智能畛域的小菜鸟。
更多请关注

正文完