批量数据处理经验分享.ppt

《批量数据处理经验分享.ppt》由会员分享，可在线阅读，更多相关《批量数据处理经验分享.ppt（49页珍藏版）》请在三一办公上搜索。

1、China Construction Bank.|1,批量数据处理经验分享,中国建设银行 2011年2月,目录,China Construction Bank.|2,CRM数据线结构 批量数据处理经验分享,CRM数据线结构,China Construction Bank.|3,外部系统,ODS,ETL处理模块,OCRM,ACRM,TPS,WMSS,WPPS,CRM数据线数据类型-每日基础数据,China Construction Bank.|4,CCBS：活期、定期、银行卡、实物黄金账户每日增量国际卡：贷记卡每日增量证券：证券账户、持有证券、签约每日增量；成交每日全量A+P：贷款账户每日增量理

2、财系统：账户每日增量银保通：保单、签约每日增量CTS：资金账户每日增量ECIF：客户、1560、联系方式、渠道签约每日增量账户和客户每日增量包括最新的时点状态ETL模块在逻辑上积累这些数据的全量（ACRM数据库中）,CRM数据线数据类型-每月汇总数据,China Construction Bank.|5,CCBS：活期、定期、银行卡、实物黄金账户全量国际卡：贷记卡全量证券：持有证券每月全量A+P：贷款账户每月全量理财系统：账户每月全量银保通：保单每月全量CTS：资金账户每月全量ECIF：客户汇总每月全量客户汇总数据包括客户当月的AUM、贡献、总负债等账户汇总数据包括月末余额，月均余额、当月累计

3、交易情况等,CRM数据线处理类型,China Construction Bank.|6,直传：项目组直接和ODS确定接口，数据送到ETL模块后，通过DPTF平台转发。目前OCRM、ACRM、WPPS、ICSP、ESME、TPS、OCRM房金、WMSS、CCOB、PBCS都使用到这种方式。加工：ETL模块对数据做加工，然后通过DPTF平台发送。目前OCRM、WPPS、WMSS、TPS、ECIF使用这种方式。加工规则主要包括：1、拼接字段，增加信息（增加ECIF客户号，或拼接几个档的数据）2、过滤记录（滤出某个客户群体的数据）3、数据质量完善（处理不同步的情况，或全量修复）4、代码转换 5、汇总（

4、ETL模块汇总数据，共享给其它系统如ECIF、OCRM）,目录,China Construction Bank.|7,CRM数据线结构 批量数据处理经验分享,批量处理结构设计 datastage常用经验大数据量操作,批量处理结构设计-批量处理方式的选择,China Construction Bank.|8,我中心目前常用的批量数据处理方式包括三类：通过ETL工具（主要是datastage）进行批量数据处理，中心的大部分系统均通过这种方式进行处理，如OCRM、ACRM批量线等；通过SQL和sh脚本进行批量数据处理，使用这种方式的系统较少，ACRM部分应用使用PLSQL，如营销清单处理；编写C/j

5、ava代码进行批量数据处理，主要是ECIF系统；,批量处理结构设计-批量处理方式的选择-datastage,China Construction Bank.|9,datastage优点：并行数据处理效率高，特别是文件处理，可以达到平面文件处理效率的10倍以上，而且可以在同一个任务中做灵活的并发设置。其提供的join、sum、sort、group等节点，可以有效的降低数据库的压力；对于复杂的ETL应用，开发简单，而且提供任务调度、事件触发等功能，在批量处理环境复杂的项目中有优势；,批量处理结构设计-批量处理方式的选择-datastage,China Construction Bank.|10,d

6、atastage缺点：管理和维护的工作量较大。一旦使用datastage，必须在运行期间投入人力进行运维，主要体现在几方面：运维的大部分操作需要使用工具的client完成，命令行能力较差，因此运维难以实现自动化。例如日志一般情况下只能通过工具查看，很难导出；运行监控只能在工具中进行；错误查询时只能一个个stage的打开查看设置，无法搜索和批量操作等；Datastage的任务运行模式，使程序的错误处理很难做到自动，因为任务（job）自身不能定位错误发生在哪里，发生的规模有多大，因此当发生错误时最好的方式是停止程序并人为干涉，这一点和自己编写程序的ETL处理流程有很大差别；版本管理不方便；资源的占

7、用大，一个parallel job，如果stage较多，在运行是可能生成几十到上百的osh进程，cpu和io的占用会比较大。datastage对文件处理的高效是以大cpu占用，大io占用为代价的；Datastage工具本身没有提供包装业务逻辑的手段，其结果是完成一个操作的很多业务逻辑，被分散到了不同的stage中（甚至分散在不同的job中），在这种情况下，如果没有统一的规范，会造成开发出来的代码比较“乱”，除了开发者外其它人比较难以维护；,批量处理结构设计-批量处理方式的选择-datastage,China Construction Bank.|11,datastage适用场景：如果处理的数据

8、量不大，或者没有处理效率的要求，使用datastage的意义并不大，如果一定需要减少ETL开发的工作量，可以考虑使用server job，而不要使用parallel job，前者相对简单，维护的工作量也较小；如果ETL服务器和其它应用共享（如ETL服务器同时也是J2EE应用服务器或数据库服务器），不建议使用datastage，因为当数据处理繁忙时其它应用可能会失去响应；因为datastage的文件处理高效，所以比较适合大量文件操作的批量数据处理（或从多种不同的数据源取数，如从文件、不同的数据库）。相反，如果在同一个数据库中，从某些数据加工成另外一些数据，datastage的优势不一定能发挥出来

9、，这种情况下使用存储过程可能更合适；,批量处理结构设计-批量处理方式的选择-SQL和sh,China Construction Bank.|12,Sql和sh的优点：开发和部署相对简单；可以完全不需要批量处理服务器，直接在DB上进行批量处理；如果使用oracle的PLSQL开发存储过程，效率比较高，可以使用数据库的并发机制；一般在这种开发模式下，具体的业务逻辑在SQL或存储过程中实现，sh提供调度、触发、或定时的机制，比较容易分离业务逻辑，维护工作量较小；,批量处理结构设计-批量处理方式的选择-SQL和sh,China Construction Bank.|13,Sql和sh的缺点和适用范围：

10、这种批量数据处理方式的适用范围较小，不适合大量复杂的批量数据处理环境，也不适合有大量文件操作的批量数据处理。因此这种模式最适合的场景是在同一个数据库中，通过一部分数据加工出另外一部分数据（计算）。,批量处理结构设计-批量处理方式的选择-C/java程序开发,China Construction Bank.|14,通过C/java程序进行批量处理：目前，我中心ECIF系统使用的是这种方式，此方式的优点很明显，可以做各种灵活的控制，可以很容易的解决datastage在运行维护、错误处理、版本管理、资源占用上的问题，也可以灵活的在DB和ETL服务器间分配资源，但其缺点就是开发工作量和开发难度都较大。

11、因此，如果一个项目主要做批量数据处理，或批量处理任务较少且需要高稳定性，可以考虑使用这种方式。,批量处理结构设计-数据库和AP的负载分配,China Construction Bank.|15,目前中心的大部分系统都申请了单独的批量处理服务器，在使用ETL服务器和DB服务器配合工作的过程中（特别是大数据量的处理），需要特别注意批量程序开发中的负载分配问题。,ETL服务器,DB,ETL程序,SQL,批量处理结构设计-数据库和AP的负载分配,China Construction Bank.|16,如果使用datastage做批量数据处理，很多应用喜欢在数据库源上写复杂的sql，而在job层面使用的

12、stage很少。这种方式，计算的压力实际上是由数据库承担的，ETL服务器上只负责job的运行，压力很小，最终现象是数据库繁忙，而ETL服务器总是很闲。实际上datastage提供大量的计算工具代替数据库计算，如sum，join，group、distinct等操作，合理的使用这些stage，可以有效的分担数据库压力。如果数据库需要支持联机类应用，一种比较合理的批量处理方式是datastage只通过最简单的select语句从数据库中读取数据，复杂的计算通过各种功能stage完成，结果生成文件，在数据库不繁忙时（如晚上），再使用loader或merge批量修改数据库。如果使用sql或存储过程，开发者

13、必须意识到，ETL服务器只负责任务的调度，所有的批量处理压力都在数据库服务器上。因此，如果采用这种方式，除开调度程序运行和生成文件的问题，甚至不需要独立的ETL服务器。一般来说，自己开发C/java程序是最容易实现负载分配的，可以合理的把业务逻辑分担在数据库和ETL服务器上，这种方式从理论上说是效率相对较低的，但同时是最稳定，最不容易出问题的批量数据处理方式。,批量处理结构设计-批量处理调度,China Construction Bank.|17,批量数据处理的调度往往是事件触发的，事件类型最常用的是数据就绪和定时两种。目前OCRM、ACRM系统的ETL模块使用的调度是taskctl，这是OC

14、RM开发的一套公共调度程序，功能强大、稳定而且操作相对简单，可以调度datastage job，sh、sql、exec code等，并可以分为并行、串行调度，缺点是对于调度中的资源监控较欠缺。如果系统没有使用多ETL服务器，并在服务器间做任务分配，建议都可以使用taskctl。Datastage自身也提供调度方式，但datastage的调度实际上是通过crontab实现，功能较少，而且操作较复杂，不推荐使用。也可以通过crontab调度，但对于规模较大，处理复杂的批量任务，必须存在一个统一的调度程序，否则当出现错误时，维护的工作会非常大。,批量处理结构设计-时序问题,China Constru

15、ction Bank.|18,证券系统每日流水（交易账号）,PPSS营销反馈(客户号),OCRM销售台账(客户号),全量1560(客户号交易账号),案例：匹配客户号,批量处理结构设计-时序问题,China Construction Bank.|19,未匹配的历史购买流水,每日流水,PPSS营销反馈,OCRM销售台账,全量1560,建立补充机制后,ECIF,批量处理结构设计-积累全量问题,China Construction Bank.|20,OCRM,VIP,NOR,ODS,VIP,全量,批量处理结构设计-积累全量问题,China Construction Bank.|21,OCRM,ETL模

16、块,VIP清单,全量,VIP数据,ODS/DW,全量,VIP数据,VIP清单,批量处理结构设计-星型模型和缓慢变化维,China Construction Bank.|22,常见的ETL需求有两类：数据的抽取、转换、加载数据汇总（报表计算）对于第二类需求，常用星型模型和缓慢变化维,批量处理结构设计-星型模型,China Construction Bank.|23,批量处理结构设计-缓慢变化维,China Construction Bank.|24,总行,上海,四川,浦东,岷江,2011-1月数据状态,批量处理结构设计-缓慢变化维,China Construction Bank.|25,总行,上

17、海,四川,浦东,岷江,2011-2月数据状态,批量处理结构设计-缓慢变化维,China Construction Bank.|26,总行,上海,四川,浦东2,岷江,2011-2月数据状态,浦东1,批量处理结构设计-缓慢变化维,China Construction Bank.|27,总行1900-1-1-9999-12-31,上海1900-1-19999-12-31,四川1900-1-19999-12-31,浦东22011-2-19999-12-31,岷江1900-1-19999-12-31,浦东11900-1-12011-2-1,目录,China Construction Bank.|28,C

18、RM数据线结构 批量数据处理经验分享,批量处理结构设计 datastage常用经验大数据量操作,Datastage常有经验-开发规范-结构规范,China Construction Bank.|29,结构规范:描述一个大的批量处理过程应该如何实现。在ACRM系统中，任何一个业务功能都被分拆成TR（数据处理）、LD（数据加载）两个过程，这两个过程可能包含多个job，因此用GE来进行统一的调度管理，这样每个GE就是一个独立的业务功能实现单元，它又依靠SE来进行集成，变成规模更大的功能包，最终，通过SH来包装SE，供调度程序使用。同时，这个规范还规定了每一层采用的技术，如：TR使用parallel

19、job LD使用server job，嵌入basic代码，用merge脚本入库 GE使用server job，嵌入basic代码进行调度 SE使用seq job SH使用server job，嵌入basic代码进行调度 任何批量处理的开发都应该制定类似的规范，来禁止开发人员随意的选择开发模式。,Datastage常有经验-开发规范-代码规范,China Construction Bank.|30,代码规范：Datastage软件本身并不规定细节的业务逻辑在什么地方实现。比如当需要对一批数据做代码转换时，转换动作即可以在读取数据表的sql中实现，也可以在sql中仅进行读取，转换放在后续的tran

20、sformer中实现。这种开发方式如果不加以规范，会给维护造成很大的麻烦。因此，对于使用datastage做批量数据处理，都建议对业务逻辑实现的位置做适当的规范，如：一个数据源只能对应一张数据表；数据源的sql中不要进行复杂的处理，仅作简单的where过滤；表的关联可以用join stage来实现，不要在数据源的sql中做关联；汇总动作使用aggregator stage来实现，不要在数据源的sql中做group；复杂的转换逻辑统一在transformer中实现；Transformer单入口单出口；除了上述代码上的规范外，还需要规范stage命名，注释信息的编写等。,Datastage常有经验

21、-开发规范-过程规范,China Construction Bank.|31,过程管理:使用datastage进行开发时，一般都是设计人员维护mapping，开发人员根据mapping进行程序开发。ODS系统在进行开发过程管理时，采用如下的一种方法：设计人员不仅要设计mapping，而且会设计job，具体方法是设计人员根据mapping，做一个模板job，这个job中只有每个stage及其数据流关系，没有具体的字段等信息；开发人员再根据mapping和这个半成本的job去做细化。这样做的好处是由设计人员来控制job的形态，工作量并不大，但重要的业务逻辑控制在了少量设计人员手中。,Datasta

22、ge常有经验-使用注释,China Construction Bank.|32,Datastage job提供注释，但目前开发中使用的较少，比较良好的注释方式如下：,Datastage常有经验-版本管理,China Construction Bank.|33,Datastage提供版本管理工具，但使用方式比较复杂，难以满足我行版本管理的要求。目前常见的方式是每个job单独创建一个dsx包，放在CC上作为文件管理。可以通过自己编写的工具程序，把一个大的dsx包切分成小的dsx文件。,Datastage常有经验-并行处理-灵活使用分区,China Construction Bank.|34,分区并

23、行处理是datastage paralleljob最大的特点，可以极大的提高性能。为了实现高效的并行处理，最好在系统上做如下设计：建立多个文件系统，最好分布在不同的存储上；通过修改default.apt文件，或建立新的apt文件，把不同的并行节点使用的缓冲和dataset分布在不同的文件系统上；这样，当datastage生成dataset时，会写入不同的文件系统，IO会比较好；同时所有并行节点产生的缓冲（scratch目录），将使用不同的文件系统。,Datastage常有经验-并行处理-使用dataset,China Construction Bank.|35,Dataset是datastag

24、e最大的特色，采用分区方式存放数据，读写效率都非常高。使用datastage进行数据计算的方式区分于在数据库中用sql或存储过程进行计算的关键点也在于dataset。如果一个大的sql在数据库中运行，因为某种原因报错，必须要完全重新运行一次，无法使用中间的计算结果，除非把这个sql拆分，然后保留中间计算结果在表或文件中，无论哪种方式必然造成效率的降低。Datastage在做相同的计算时，任何中间结果都可以保留在dataset中，dataset生成的速度很快（并行写入），而且从dataset中读取这些数据的效率要大大优于从数据库中读取，因此这种计算工作的拆分不会造成太大的效率降低。因此，如果充分

25、利用dataset的性能优势，datastage的批量数据处理和用sql和存储过程有很大差异。Datastage可以在系统不繁忙时预先生成大量的dataset数据，加工成应用可以直接使用的格式并排好序，然后等待“关键数据”的就绪，一旦“关键数据”就绪，就从dataset中高效的读取数据，并和“关键数据”做关联、汇总等计算，最后生成结果，这样，从“关键数据”就绪到加工出结果，时间会大大缩短。ACRM系统和OCRM系统做的“大海捞针”动作，每日都在10亿左右的1560中找到所有的VIP客户的账户，并与OCRM提供的全量账户比对并发现差别，采用此方式后，能保证在几个小时内完成，大大提高了效率。,Da

26、tastage常有经验-并行处理-使用并行节点,China Construction Bank.|36,Parallel stage可以极大的提高数据处理效率，但同时系统资源占用也比较厉害。要注意的问题主要有：所有并行节点必须采用相同的分区方式，如果分区方式有差异会造成结果数据错误，而且没有任何提示；分区的键值的数据结构必须完全相同，即使都是varchar，长度也必须一样，否则有可能出现关联不到的情况；,Datastage常有经验-修改数据库,China Construction Bank.|37,不建议使用datastage的insert、update、update_or_insert、de

27、lete等方式修改数据库，这样做有两个问题，一是效率太差，二是如果数据中重复数据，在并行处理中容易锁表。如果必须要这样做，最好严格控制提交事务的记录数，极端情况下每条记录都提交事务。建议的处理方式是对要修改数据库的数据生成文件，然后用sqlloader或merge方式导入数据库中，但对于联机应用频繁的数据库必须选择合适的时间。,Datastage常有经验-空值处理,China Construction Bank.|38,空值是Datastage处理较复杂的问题，很多datastage函数，都不能处理空值，如果把数据不加判断的传给这些函数，会造成警告，当警告积累过多就会导致程序abort。一般在

28、transform中，调用函数的方式为：if isnull(xxx)then setnull()else dosomething()还有一种比较好的方式是在从数据源读出数据时，对所有字段都设置为notnull，把所有的null都转换成空串。,Datastage常有经验-日志清理,China Construction Bank.|39,Datastage的日志会占用安装程序路径的空间，因此最好设置定时清理（可以在administrator中设置），否则运行时间过长会造成空间紧张，同时打开日志的时间会非常长，难以维护。另外，如果日志中有警告，必须认真对待，因为警告往往是程序不健壮的地方。当数据都正

29、确时没有问题，但当数据大量出问题时，如果设置了警告条数是unlimit，那么每条记录都在报警告，文件系统空间可能会立刻达到100%。,Datastage常有经验-数据预处理,China Construction Bank.|40,Datastage允许job运行前后执行某些特定的动作，但如果存在好的调度方式，不建议采用这种开发方式，而应该通过调度来执行这些特定的动作。因为批量调度应该管理所有的任务，这样便于后期的维护，让一个job来处理和调度相关的任务，时间长了后会带来运维的难度。某些从数据库中读取数据的stage，在运行前后也可以执行一些命令（open command和close comma

30、nd），此时请注意命令是在所有节点上都会执行，因此如果该stage是并行处理的，最好不要执行重建表之类的操作，因为这种操作会被每个节点都执行，会造成处理出错。,目录,China Construction Bank.|41,CRM数据线结构 批量数据处理经验分享,批量处理结构设计 datastage常用经验大数据量操作,大数据量操作经验-数据删除,China Construction Bank.|42,在生产数据库中一定不能直接用delete命令删除大量的数据，这样操作可能导致锁资源耗尽而回滚，如果回滚段不够会使数据库挂起。因此在处理大数据量删除时，一般要采用特殊的方式：如果删除数据量不是非常大

31、（在几万到几十万间），可以手工卸出要删除数据的key，然后用sh生成对每个key生成一条删除语句并提交。这时删除命令实际上是删除一条提交一条，速度虽然比较慢，但非常稳妥；如果删除的数据量达到百万甚至千万，可以考虑把表中不需要删除的数据备份到文件或其他表中，然后truncate源表，并把备份的数据重新导回源表；,大数据量操作经验-联机状态下批量修改,China Construction Bank.|43,如果需要大批量修改一张数据表中的数据，但该表频繁被其他应用做select访问，为了不影响应用，可以采用下面的操作方式：建立另外一张备份表，从源表复制数据，然后在备份表上做批量修改操作，最后直接对

32、源表和备份表rename互换名称。,大数据量操作经验-大数据量加载,China Construction Bank.|44,如果需要大批量数据插入数据库，可以先通过ETL程序加工出需要装入数据库的数据文件，再使用oracle的sqlloader等工具一次性导入数据库中。这种方式相对于insert的优点在于最终修改数据库操作集中在很短的时间内，而且效率远远高于insert。,大数据量操作经验-大数据量修改（或新增）,China Construction Bank.|45,如果需要大批量数据修改数据库表（或使用insert_or_update方式），可以先通过ETL程序加工出需要装入数据库的数据文

33、件，再使用merge语句一次性导修改数据库中。这种方式相对于update的优点在于修改数据库操作集中进行，而且效率较高，同时merge语句可以按照分区进行，效率会更高，如下例：merge into/*+(use_hash(a b)*/dw.CUST_ARGMT_RLSP partition(#PARTITION_ID_DW)ausing etl.CUST_ARGMT_RLSP partition(#PARTITION_ID_ETL|)bon(a.ARRANGEMENT_TYPE=b.ARRANGEMENT_TYPE and a.ARRANGEMENT_KEY=b.ARRANGEMENT_KEY

34、 and a.PRIN_ARR_TYPE=b.PRIN_ARR_TYPE)when matched then update set a.ECIF_CUST_NO=b.ECIF_CUST_NO,a.OUT_AGREE_NO=b.OUT_AGREE_NO,a.OUT_AGREE_KEY=b.OUT_AGREE_KEY,a.LAST_UPDATE_DATE=b.LAST_UPDATE_DATE,a.LAST_BUS_DATE=b.LAST_BUS_DATEwhen not matched then insert values(b.ECIF_CUST_NO,b.ARRANGEMENT_KEY,b.PR

35、IN_ARR_TYPE,b.ARRANGEMENT_TYPE,b.OUT_AGREE_NO,b.OUT_AGREE_KEY,b.LAST_UPDATE_DATE,b.LAST_BUS_DATE),大数据量操作经验-并行select,China Construction Bank.|46,Oracle中可以进行并行的读取操作，即使数据库没有进行分区，并行操作也可以提高select的效率，如果数据库是分区的读取效率会更高，如下例：select/*+parallel(a,8)*/*from tablename a;在表关联中使用并行读取以提高效率：select/*+parallel(a,8)para

36、llel(b,8)use_hash(a b)*/*from table1 a,table2 bwhere a.id=b.id,大数据量操作经验-表分析,China Construction Bank.|47,Oracle对sql进行优化的依据是表分析的结果，如果对于数据量变动非常频繁的表（如每次truncate后全量加载），建议在加载完成后对表做一次自动分析，确保后续的访问能生成正确的执行计划，但表分析比较消耗系统资源，如果能预估数据量变化不大，就可以等待oracle每日自动的信息采集，而不用每次操作完表都做自动分析。exec dbms_stats.gather_table_stats(DW,CUST_ARGMT_RLSP);同时，为了让数据库生成正确的执行计划，最好不要在程序中写非常复杂和庞大的sql。,大数据量操作经验-查看执行计划,China Construction Bank.|48,当sql长时间无结果，可以查看sql的执行计划：explain planforselect/*+parallel(a,8)*/*from dw.cust_argmt_rlsp a;select*from table(dbms_xplan.display();如果执行计划有问题，可以手工做表分析解决。,Q&A,