大数据的OLAP技术_数据分析师培训

在互联网的技术浪潮冲击下，不少传统企业也纷纷涉水大数据技术。以笔者经历的两个项目为例，传统企业与互联网公司相比有两个特点：

①企业应用比较笨重和复杂，云计算等基础架构平台，互联网需要的是水平规模化扩展，但对传统企业来讲，更需要的是垂直一体化部署复杂的依赖并且方便重用；

②企业数据，包括关系型的交易数据、日志、文档、电子邮件等等，但总体还是结构化数据占多数；互联网则是非结构化数据为主，如网页、图片、服务器日志等，在网页搜索或广告推荐等领域，高维数据分析比较常见。

和企业私有云的架构一样，对企业的大数据平台，我们很难直接去简单复制互联网的海量存储或计算平台技术，如Hadoop、HBase、Spark；因为这些技术搭建的只是一个数据的基础设施，要在传统企业实施“大数据平台”，我们的思路是，如何将传统的商业智能运行在“大数据平台”之上。

OLAP – 联机分析

OLAP联机分析是从多维信息、针对特定问题的联机数据进行访问和分析的技术。从分析的角度出发，数据源需提供以下操作支持：

• 维度和指标
• 聚合
• 上卷、下钻
• 水平、垂直切分
• 排序

下面是一个数据表示例：

通常OLAP的多维数据源由数据方（Cube）提供，关系型数据库或数据仓库都能提供数据方的设计，相对于数据库，数据仓库是昂贵的软硬件解决方案，而互联网普遍采用基于Hadoop技术构建的海量数据处理平台，在这里是否可以作为数据仓库的替代品呢？其核心技术还是，如何基于Hadoop来构建数据方。

Pre-aggregate – 预聚合数据

对数据库来说，数据聚合通常是实时的。实时聚合的好处是灵活，可以对任意列进行查询，缺点是CPU、I/O开销较大，数据量大时查询缓慢，吞吐量低；而对Hadoop这样的非实时计算、大量数据处理的平台来说，很适合对数据进行预聚合处理，预聚合的优点是查询快速高效，但缺点是无法灵活查询，比如未进行聚合处理的数据。

在基于Hadoop进行预聚合处理上，Adobe提供了一些经验：

• 数据表设计需要规范
• 超过3个维度、10亿条数据时处理会变得复杂
• 维度表之间尽量不要有相关关系
• 只创建必须的索引
• 领域模型设计

这个步骤的目的是理解数据并且构建出领域模型，包括：

• 源数据如何拆分到不同字段中？
• 哪些字段用于维度？
• 哪些字段用于统计指标？
• 使用什么样的规则来对数据进行聚合？
• 用户经常使用的组合查询是？
• 排序规则？

下面是Adobe SiteCatalyst的设计参考，源数据是一条日志，使用reports.json来描述整个设计：

数据采集优化策略

对历史数据，采用大量数据批处理来提高吞吐量，对新增的增量数据，尽量达到低延时查询。一些优化策略包括：

对输入进行条件过滤：

• FileDateFilter (log name patterns: log-YYYY-MM-dd-HH.log)
• TableInputFormat start/stop row
• File Index in HBase (track processed/new files)

提升Map的任务数：

• CombineFileInputFormat – 2GB-splits => 500 splits for 1TB
• FixedMappersTableInputFormat (e.g. 5-region splits)

数据处理

数据处理的过程包括读取源数据、预聚合并且生成可供查询的数据表，对OLAP而言，需要对数据进行以下处理：

• GROUP BY
• COUNT, SUM, AVG
• SORT
• HAVING – 需进行预聚合

以下是Adobe在线数据处理设计和SQL查询的映射：

在reports.json中定义了触发各个处理的类：

整个处理过程如下：