数据仓库-数仓优化小厂实践

一、背景

        由于公司规模较小，大数据相关没有实现平台化，相关的架构都是原生的Apache组件，所以集群的维护和优化都需要人工的参与。根据自己的实践整理一些数仓相关的优化。

二、优化

        1、简易架构图

        2、ODS层优化

        2.1 分段式解析

        随着业务增长，数据量也不断增加，凌晨任务经常基线预警、破线，导致数据不能正常产出，影响运营人员分析数据。在不增加成本的情况尽可能的优化。

        经过团队研究，发现 t-1 的日志解析占用非常长的时间，且集群资源空闲时间点比较多。

        把日志的解析分成两段式，当天0点到22点数据可在22:15进行解析，22点到24点数据在00:15解析，大大节省了时间，还充分利用了集群的资源。有效的缓解了破线问题。

        2.2 小文件合并

    1.原因：a.读取的数据源文件本身就有大量的小文件
            b.动态分区插入数据，每个reduce产生的文件个数为动态分区的个数，产生文件个数=reduce个数*动态分区数
            c.reduce/Task个数较多（和文件数是一样的）
    
    2.影响：a.文件的数量决定了Mapreduce/Spark中Mapper/Task数量，小文件越多，Mapper/Task的任务越多，每个Mapper
              /task都会对应启动一个JVM/线程来运行，每个Task数据小，个数大，占用资源多，甚至这些任务初始化的时间
              可能比执行的时间还要多，影响性能，当然这个问题 可以通过CombinedInputFile和开启JVM重用来解决。
              
           b.文件存储在HDFS上，每个文件的元数据信息（位置、大小、分块信息）大约占150个字节，文件的元数据信息分别存储在
             内存和磁盘中。   
    
    3.解决方法:通过 DISTRIBUTE BY 控制文件的个数
    
            distribute by 1
            distribute by cast(rand()*10 as int)
            distribute by dt
            distribute by substr(udi,1,2)

        2.3 提高数据压缩比率

        1.问题描述 ：使用 DISTRIBUTE BY INT(RAND()*300) 随机数的方式控制了文件的个数，但是使用的SNAPPY压缩，压缩比原则是十倍左右，目前只能达到两倍左右。

        原因：每个文件里面的数据随机，数据的相似性较小，压缩比上不去

        2.问题解决：DISTRIBUTE BY SUBSTR(udi,1,2) 使用文本字段进行文件数的控制，文件个数减少了，并且文件的大小也变小了，压缩比变大

        说明：udi前两个为(字母+数字),截取前两个组合来作为文件的个数(最多36*36)

        原理：将相似的数据放在同一个分区里，数据压缩比增大 

        2.4 分项目业务数据导入优化

        1.问题描述：由于项目数量比较多，并且会持续增加，项目之间的业务表相同，按照sqoop传统导数据的脚本，会编写很多冗余的脚本，费时费力，且增加新项目时，开发成本较高

        2.问题解决：将不同的数据库的配置信息(host、IP、账号、密码、脚本路径) 配置到mysql表中，编写相应的脚本，脚本根据给定的参数去读取相应的配置，进行对应项目的数据导入。

3、DWD层优化

        3.1 缩减分区

        1.问题描述：初始建立二级分区（项目+天），随着老项目的数据量增加，以及新项目上线数据量较少， 导致执行时造成数据倾斜，以及多级分区造成文件数以及分区数成倍增加，造成数据寻址时间过长。 执行时间较短，但是刷盘的时间过长，晚上流程的时间整体拖延。

        2.问题解决：将二级分区改为一级分区

        3.解决方法：a.建立同样的临时表

                        b.将历史数据mv导入到临时表中，此时进行核对数据量

                        c.通过命令修复临时表的分区

                        d.将旧表删除，建立新的分区表

                        e.将临时表的数据导入到新的表中，核对数据