第六章数据构建和算法

在大数据处理过程中，我们经常会遇到这样的情况：大多数时候，用户最初输入的数据会含有大量无意义的、杂乱的信息，需要经过提炼、收集、汇总等一系列手段，才能产生有意义和用户可识别的数据内容；当数据长时间使用后，因为删除、更新操作的缘故，会在磁盘上产生大量数据碎片，这些数据碎片影响到正常的数据读写，为此需要做定时的数据清理工作，来保证一个高效的数据存取环境；还有一些时候，出于使用便利和效率的考虑，我们需要把多个表的不同字段组合到一起，形成一个宽表，来方便我们分析调用，和清晰、直观地展示给客户；另外，我们还需要按照某些特定的规则生成一些临时的、或者公共的数据，保存到磁盘上，来减少数据计算环节，加快数据计算速度。

如果仔细分析这些数据处理业务，可以发现它们都有一个共同的特点：重复执行概率强，不应该在数据计算时发生，最好提前提供数据准备。

基于这样的业务需求，我们提出了“数据构建”的概念，由它来统一完成这些工作。

在Laxcus 2.x版本，数据构建已经发展成一个独立的子系统，有一套完整的实现方法和处理流程。因为它在Laxcus大数据体系中的重要性，所以单独分出一章做介绍。

简单说明一下数据构建的特点：

1.系统提供一套API接口，用户需要结合自己的业务，编程实现。

2.必须遵守这样一个准则：在既有数据基础上才能产生新的数据。

3.与数据计算工作不一样的是，数据构建不直接向用户提供计算结果，只为提高数据计算效率而产生。

4.在分类方面，数据构建属于ETL(Extract/Transform/Load)范畴，是数据计算的预处理措施和加速器，为数据计算提供快速处理通道。

5.按照我们对数据构建的细化，它被分成两种操作：数据优化和数据重组。数据优化只执行数据清理工作；数据重组是对旧数据的再组织和再计算，并且衍生进化出新的数据。

6.1数据优化

数据优化被设计成Laxcus系统的一个命令，用于整理磁盘上的数据碎片，删除其中的垃圾数据。命令可以是用户通过终端输入，也可以把命令保存到到Top节点上，由Top节点定期执行。由于Laxcus 2.0版本的事务加入，数据优化被定义为事务“写”操作，在执行过程中，全部数据块将处于“锁定”状态，不允许其它操作加入进来，直到全部完成被解锁。通常经过数据优化整理过的数据，它尺寸会更小，内聚更紧凑（这一点在列存储模型上尤其明显），有利于大批量的磁盘读写。数据优化只发生于Data主节点上，如前所述，每个数据块的执行时间大约是1.2秒左右。工作完成后，新的数据块会同步更新到备份节点上，替换旧的数据块。数据优化命令可以指定一个或者几个Data主节点，如果不指定，默认是集群上的全部Data主节点。鉴于数据优化过程中的“锁定”情况，建议把数据优化工作放在业务空闲时段，以减少因为数据锁定带来的负面影响。

图6.1.2 设置定时优化时间（每周6凌晨1点开始）



图6.1.3 数据优化接口函数



6.2数据重组

数据优化是由系统定义和执行的，只在一类节点上发生和并行执行，整理一个表的数据碎片。它的工作简单，执行速度快，存在时间短，是一种小规模的数据处理业务，对其它数据操作不构成太长时间的影响。数据重组则大不一样，根据我们的使用经验和跟踪调查，数据重组普遍会涉及到多个表、多种格式的数据计算和分析，数据量大，执行时间长，产生的数据量也大，而且结果也是多种多样，属于大规模的、复杂型数据处理工作。

鉴于这样的情况，系统无法做到对数据重组进行统一的处理，还有开发者任意编写数据重组代码可能导致的错误，以及希望减少用户工作量，规范处理流程等原因的考虑，我们针对数据重组设计了一套Scan/Sift算法，让用户按照规定流程和规定要求去参与数据重组工作，并以此起到简化编程工作、减少运行错误的作用，也希望能够达到提高处理效率和保证系统稳定性的目的。

另外，在我们内部，数据重组被称为“洗牌”，这也许可以更好地表达我们对“数据重组”的本来意思。

图6.2.1 Scan/Sift处理流程



6.2.1 Scan/Sift算法

Scan/Sift是为大规模数据重组设计的算法，与Laxcus大数据集群操作系统紧密结合，能够在多个子域集群中工作，具有操作多个表数据、产生任意组数据的能力。

同Diffuse/Converge算法一样，Scan/Sift算法的工作起点和输出点也是Call节点，Call节点在Scan/Sift算法中起协调和分配数据资源的作用，但是不去产生数据和重组数据。Scan被设计用来收集数据信息工作，它的作用点是Data主节点。主要是扫描磁盘上的数据索引，然后生成元数据，反馈给Call节点。Call节点汇总Scan收集来的元数据，在本地进行分析和调整后，分配给Build节点。Build节点执行Sift工作，它根据Call节点提供的信息，向Data主节点索取数据，然后放到本地磁盘上，通过各种手段重新组织后，产生新的数据，最后按照Call节点的要求，返回到指定的Data节点上。按照这样的流程走下来，就完成了一次Scan/Sift数据重组工作。

与Diffuse/Converge算法不一样的是，Sift不是迭代的，它在Call节点指挥下只是执行一次。实际上，Scan/Sift算法的大量工作都集中在Sift阶段。这个阶段的工作压力非常大，如果放在Data节点处理，会影响到Data节点的正常数据业务，所以需要把数据转移出来处理。这也是我们设计Scan/Sift算法和Build节点的主要原因之一。

与Diffuse/Converge算法一样，Scan/Sift也被抽象为一个分布范式，用户需要调用系统提供的API，通过编程来实现实际的数据构建业务。



6.2.2 Marshal/Educe接口

所有数据重组的开始阶段（ETL Extract），都需要把数据从磁盘文件中提取出来，然后才能执行后续操作。根据我们的追踪调查，提取操作主要这样两种方式：

1. 按照某种规则有选择地抓取；

2.把全部数据输出再逐一排查或者分析。

对于这样的两种情况，前者可以通过SQL SELECT语句做到，后一种我们实现了Marshal/Educe接口，来方便用户调用。

Marshal/Educe是把磁盘下一个表的数据全部排序和输出的过程，由三个函数组成。如图6.2.2所示，marshal负责把全部数据按照指定列进行排序，排序结果是生成一组镜像表，这是一种元数据，被保存在内存里。educe是在marshal之后的操作，它在镜像表的指引下，把数据从磁盘上抓取出来并输出。其中marshal只操作一次，educe可以任意多个。如果需要中途停止操作，就调用unmarshal函数，内存中的镜像表也将同步释放。

Marshal/Educe以“只读”方式进行，执行过程中不会修改磁盘上的数据内容，生成的镜像表数据量也很小，每个数据块只产生几十到几百字节的信息，所以它对系统性能影响不大，可以放心使用。