- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我有一个关于如何从大量金融交易数据中过滤相关记录的问题。我们使用 Oracle 11g 数据库,其中一项要求是生成具有各种标准的各种日终报告。
相关表格大致如下:
trade_metadata 18m rows, 10 GB
trade_economics 18m rows, 15 GB
business_event 18m rows, 11 GB
trade_business_event_link 18m rows, 3 GB
我们的一份报告现在需要很长时间才能运行(> 5 小时)。底层过程已经一次又一次地优化,但是新的标准不断被添加,所以我们又开始挣扎了。 proc 非常标准 - 连接所有表并应用大量 where 子句(最后计数为 20)。
我想知道我是否有足够大的问题来考虑大数据解决方案以摆脱这种每隔几个月优化查询的游戏。无论如何,销量只会上升。我已经阅读了一些有关 Hadoop + HBase、Cassandra、Apache Pig 等的内容,但作为这个领域的新手,我对继续进行的最佳方式有点困惑。
我想这不是 map-reduce 问题。 HBase 似乎确实提供了过滤器,但我不确定它们的性能。能否请各位大侠解答几个问题:
非常感谢!
最佳答案
欢迎来到千变万化的大数据生态系统。如果您的数据集大小足够大,以至于对您使用传统工具进行分析的能力造成负担,那么它对于大数据技术来说就足够大了。您可能已经看到,有大量可用的大数据工具,其中许多工具具有重叠的功能。
首先,您没有提到是否有集群设置。如果没有,那么我建议通过 Cloudera 查看产品和 Hortonworks .这些公司提供的 Hadoop 发行版包括许多最流行的大数据工具(hbase、spark、sqoop 等),并且可以更轻松地配置和管理将构成集群的节点。两家公司都免费提供他们的发行版,但您必须支付支持费用。
接下来,您需要将数据从 Oracle 中取出并转换为 hadoop 集群中的某种格式以对其进行分析。通常用于从关系数据库获取数据并将其放入集群的工具是 Sqoop . Sqoop 能够将您的表加载到 HBase、Hive 和 Hadoop 分布式文件系统 (HDFS) 上的文件中。 Sqoop 还能够为更新执行增量导入,而不是加载整个表。您选择这些目的地中的哪一个会影响您在下一步中可以使用哪些工具。 HDFS 是最灵活的,因为您可以从 PIG、您编写的 MapReduce 代码、Hive、Cloudera Impala 等访问它。我发现 HBase 非常易于使用,但其他人强烈推荐 Hive。
旁白:有一个名为 Apache Spark 的项目有望替代 Hadoop MapReduce。与传统的 hadoop mapreduce 作业相比,Spark 声称速度提高了 100 倍。包括 Hive 在内的许多项目都将在 Spark 上运行,使您能够对大数据执行类似 SQL 的查询并快速获得结果 (Blog post)
现在您的数据已加载,您需要运行那些日终报告。如果你选择 Hive,那么你可以重用你的很多 sql 知识,而不是必须编写 Java 或学习 Pig Latin(并不是很难)。 Pig 将 Pig Latin 翻译成 MapReduce 作业(目前 Hive 的查询语言也是如此),但是,与 Hive 一样,Pig can target Spark以及。无论您为此步骤选择哪种工具,我都建议您查看 Oozie自动执行结果的摄取、分析和移出集群(为此使用 sqoop 导出)。 Oozie 允许您 schedule recurring workflows像您一样,这样您就可以专注于结果而不是过程。 Oozie 的全部功能都记录在案 here .
有大量的工具供您使用,这个生态系统的变化速度会让您倍受打击。 cloudera 和 Hortonworks 都提供了虚拟机,您可以使用它们来试用它们的发行版。我强烈建议花更少的时间深入研究每个工具,并尝试其中的一些工具(如 Hive、Pig、Oozie 等),看看哪种工具最适合您的应用程序)。
关于hadoop - 过滤大数据集的最佳方式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26735476/
场景 网站页面有一个带有分页、过滤、排序功能的表格 View 。 表中的数据是从REST API服务器获取的,数据包含数百万条记录。 数据库 REST API 服务器 Web 服务器 浏览器 问
我有一个表student,其中的列dte_date(日期)具有值(2019-01-01、2019-02-01、2019-03-01)。 .等) 条件: dte_date 列中没有重复值。 但 dte_
我有一些逻辑可以根据不活动的用户创建通知。我正在获取具有以下属性的用户列表。我想做的只是在部门有非 Activity 用户时触发我的创建通知方法。因此,给出下面的列表,基本上会创建 1 个通知,表示部
使用 GPS 开发跟踪应用程序。一切都很好,但有时由于封闭区域或恶劣天气,我得到的分数不准确。当您绘制它们时,它看起来不对,有很多跃点/跳跃。 我应该运行什么算法来过滤掉不良信号对我来说,这看起来像是
我正在尝试按变量类型过滤对象数组。节点是一个具有位置的对象,但以不同的方式定义——作为点、矢量或附件。这是一个代码: class Joint { var position:Position
我想做的是在向量上创建一个过滤器,以便它删除未通过谓词测试的元素;但不太确定我该怎么做。 我根据谓词评估输入向量中的每个元素,例如在我的代码中,is_even 仿函数在 device_vector 向
我是 Gremlin 的新手,我正在使用 Gremlin 3.0.2 和 Stardog 5.0。我编写此查询是为了找出 schema.org 本体中两个实体之间的路径。以下是输出 - gremlin
考虑以下示例数据表, dt 30 的那一行需要去 - 或者如果其中两行 > 30相隔几秒钟,删除所有 3 个。然而 ,当我们有 4 行或更多行时,我们需要删除时间差 > 30 没有另一对 < 30
我正在考虑使用 ZeroMQ,并尝试了一些示例。但是,我无法验证 ZeroMQ 是否支持一些重要的要求。我希望你能帮助我。 我将使用这个简单的场景来问我的问题: 出版商(例如交易所)提供(大量)股票的
我需要从我的查询中过滤掉大量的对象。目前,它正在抓取类中的所有对象,我想将其过滤为查询字符串中的相关对象。我怎样才能做到这一点?当我尝试时,我收到一个属性错误说明 ''QuerySet' object
如何在 Prometheus 查询中添加标签过滤器? kube_pod_info kube_pod_info{created_by_kind="ReplicaSet",created_by_name=
我有包含字符串的列的数据框,并希望过滤掉包含某些字符串以外的任何内容的所有行。考虑下面的简化示例: string % dplyr::filter(stringr::str_detect(string,
我有以下数据框,其中包含多行的角度变化值: 'data.frame': 712801 obs. of 4 variables: $ time_passed: int 1 2 3 4 5 6
我有一个 BehaviorSubject我希望能够filter ,但要保持新订阅者在订阅时始终获得一个值的行为主题式质量,即使最后发出的值被过滤掉。有没有一种简洁的方法可以使用 rxjs 的内置函数来
我有一个 RSS 提要,每天输出大约 100 篇文章。我希望过滤它以仅包含更受欢迎的链接,也许将其过滤到 50 个或更少。回到当天,我相信您可以使用“postrank”来做到这一点,但在谷歌收购后现已
我有这样一个重复的xml树- this is a sample xml file yellowred blue greyredblue 如您所见,每个项目可以具有不同数量的颜色标签
我以为我在 Haskell 学习中一帆风顺,直到... 我有一个 [[Int]] tiles = [[1,0,0] ,[0,1,0] ,[0,1,0]
我在使用 Knockout.js 过滤可观察数组时遇到问题 我的js: 包含数据的数组 var docListData = [ { name: "Article Name 1", info:
我在 mongoDB 中有这个架构: var CostSchema = new Schema({ item: String, value: Number }); var Attachm
给定一个数据框“foo”,我如何才能只选择“foo”中的那些行,例如foo$location =“那里”? foo = data.frame(location = c("here", "there",
我是一名优秀的程序员,十分优秀!