APP推广合作
联系“鸟哥笔记小乔”
离线数据Join我懂,但是实时数据怎么做Join的? by彭文华
2021-01-29 20:00:00


刚接触实时数据的时候,那时候比较时兴叫“流式数据”。我就非常怀疑实时数据的应用场景极其有限。别的不说,单说 Join 这个非常常用的数据操作,你说咋实现?




Join 是咋回事?



在关系型数据库中,两个表的 Join 原理其实还是比较容易理解的。我们用最朴素的方式方法去理解,就是这个样子:

主表和副表进行 Join ,其实就是拿主表的每一条记录跟副表的每一条记录进行查询、匹配。有人说了,匹配上一条是不是就可以了?当然不行了,因为可能会存在多对多的关系,所以必须要每一条进行匹配。

匹配结束后,把匹配的结果进行合并,然后输出结果,这就是全表 Join 的原理了。不过这种方式简单且容易理解,但是这开销也太大了吧!相当于 N 个全表扫描了。

这种情况在一般的场景不多见,因为有经验的数据工程师会用第二种方法:

其实就是在副表的关联字段上建一个索引。这样,主表在去找数据的时候,就不用做全表扫描了,索引里有直接拿,然后回查一下就好了。速度那是嗷嗷快啊!

不过,对于那些就是没有索引的咋办?我们玩数据的最喜欢加一层中间层。Join 也是这么弄的,加一层 Join Buffer :

这样呢,一来可以减少对主表的访问频次,二来呢,在合并的时候也能减少对副表的访问次数。这样至少比两边都全表扫描快一些了。

不过,在这里你可能也发现了,这个主表很关键。如果主表里的数据也非常多,那效率影响还是会很大。如果主表里的id还会重复的话,那就更费劲了。

所以 Join 的几个优化原则就出来了:

  • 小表驱动大表,原理是减少主表的循环次数;

  • 副表Join字段必须有索引,原理是减少匹配的次数;

  • 尽量增加 JoinBuffer ,应对那些确实没有索引的情况。

如果是在 Hive 等大数据环境,还可以用一些分桶等优化的方式加快 Join 的效率。


这时候你可能会说了,你这都是离线数据的 Join ,咱都能理解。这离线数据都是已经放在那里的,怎么 Join 都行啊。但是实时数据,都是流动的,想关联一个 id ,副表里的数据还没到呢,咋关联啊?是啊,愁人!




实时数据咋 Join ?



实时数据,也叫流式数据。顾名思义啊,数据都是流动的,你都不知道下一个数据是啥时候来,不能做全表的排序和匹配,所以没办法跟离线数据一样直接 Join ,这个的确是比较复杂了一些。既然不能直接 Join ,那么我们能不能分不同的情况不同对待呢?当然是可以的了!我们来分析一下哈~~

我们在做 Join 的时候基本上有几种情况:

1、业务表和维表关联;

2、业务表和业务表关联;

    2.1、大表和小表关联;

    2.2、大表和大表关联;

    2.3、当前数据和当前数据关联;

    2.4、当前数据和历史数据关联。


你看,是不是基本就这些情况啊?好,我们一个一个来分析,看看咋解决。


业务表和维表关联

实时数据基本都是以 MQ 为传输和存储介质,用 Spark Streaming 、 Flink 作为计算引擎。所以呢,Join 的过程也就是在Spark Streaming、Flink 里进行了。

既然如此,我们能不能在这些计算引擎里把各种需要 Join 的不经常变的维表数据先读到 Redis 或者 HBase 等查询非常快的存储介质里,业务数据过来了,跟存储里的数据 Join 一下是不是就可以了?

当然可以了!这就是流表与维表的 Join 方案了!

不过这里还有一个小问题,就是维表是会发生变化的,这个好解决,我们整一个流程实时更新一下,这样就把 Redis 里的维表变成实时维表了,这样问题就解决。

业务表和业务表关联

这里分 4 种不同的情况,咱先说大表和小表关联。既然是小表,那这个还是比较好办的。咱的机器内存都不小,假设服务器都是 32G 内存的,空出 1G 放小表是不是 OK 啊?影响不会太大。所以大表和小表 Join 的解决方案就出来了,把小表通过广播的方式在大表所在的节点内存中,是不是就可以了?这样大表 Join 小表的时候,直接去内存里读取就好了么。


大表和大表关联呢?这个没办法。这种常规的全量 Join ,就只能把所有数据都在状态中存储所有的数据了。这种方法的资源占用是最大的,也是最没办法的。

当前数据和当前数据 join , Spark Streaming 和 Flink 都有办法解决。Flink 用的是窗口的逻辑。在同一个窗**,两边的数据都到齐了,直接  join 就好了。我们需要操心的是数据迟到咋办,大致的思路就要么多等一会,要么之后再补齐一下。


当前数据和历史数据 join 其实跟上面的做法大致差不多,就是得加一个指定时间。




总结


离线数据 Join 其实就是无数个查询、匹配的过程。优化思路也比较清晰,减少主表数据量、增加副表索引等。


实时数据就比较费劲,因为没法做全量数据的排序啥的,所以得分很多种情况。但是都有解决方案。我们需要关注的是数据迟到了咋办,应对办法一般是多等会,或者之后再补齐。


这里借用一下鸣宇淳同学画的图作为总结,这张图上写的非常清晰。

扩展阅读:1本Flink电子书+9份分享ppt,公众号“大数据架构师”后台回复“Flink”即可下载。另外,我建了个大数据架构师交流群,感兴趣的同学可以加我微信:shirenpengwh,备注“进群”,谢谢大家。

   

配合以下文章享受更佳







传统金融业务场景下Flink实时计算的探索与实践


【资料包】 实时数仓架构选型资料包


【实战】 手摸手搭建一个实时数据仓库


【干货】 数仓到底要分多少层?



我需要你的转发,小小的满足一下我的虚荣心

大数据架构师
分享到朋友圈
收藏
收藏
评分

综合评分:

我的评分
Xinstall 15天会员特权
Xinstall是专业的数据分析服务商,帮企业追踪渠道安装来源、裂变拉新统计、广告流量指导等,广泛应用于广告效果统计、APP地推与CPS/CPA归属统计等方面。
20羽毛
立即兑换
一书一课30天会员体验卡
领30天VIP会员,110+门职场大课,250+本精读好书免费学!助你提升职场力!
20羽毛
立即兑换
顺丰同城急送全国通用20元优惠券
顺丰同城急送是顺丰推出的平均1小时送全城的即时快送服务,专业安全,准时送达!
30羽毛
立即兑换
大数据架构师
大数据架构师
发表文章272
历任多家公司大数据总监、大数据架构师,专注于数字化转型领域。
确认要消耗 羽毛购买
离线数据Join我懂,但是实时数据怎么做Join的? by彭文华吗?
考虑一下
很遗憾,羽毛不足
我知道了

我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。


一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
    1)反对宪法所确定的基本原则;
    2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
    3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
    4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
    5)煽动民族仇恨、民族歧视,破坏民族团结;
    6)破坏国家宗教政策,宣扬邪教和封建迷信;
    7)散布谣言,扰乱社会秩序,破坏社会稳定;
    8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
    9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
    10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
    11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
    12)危害未成年人身心健康的;
    13)含有法律、行政法规禁止的其他内容;


2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
    1)轻蔑:贬低、轻视他人及其劳动成果;
    2)诽谤:捏造、散布虚假事实,损害他人名誉;
    3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
    4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
    5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
    6)谩骂:以不文明的语言对他人进行负面评价;
    7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
    8)威胁:许诺以不良的后果来迫使他人服从自己的意志;


3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
    1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
    2)单个帐号多次发布包含垃圾广告的内容;
    3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
    4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
    5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
    6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
    7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
    8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。


4. 色情低俗信息,主要表现为:
    1)包含自己或他人性经验的细节描述或露骨的感受描述;
    2)涉及色情段子、两性笑话的低俗内容;
    3)配图、头图中包含庸俗或挑逗性图片的内容;
    4)带有性暗示、性挑逗等易使人产生性联想;
    5)展现血腥、惊悚、残忍等致人身心不适;
    6)炒作绯闻、丑闻、劣迹等;
    7)宣扬低俗、庸俗、媚俗内容。


5. 不实信息,主要表现为:
    1)可能存在事实性错误或者造谣等内容;
    2)存在事实夸大、伪造虚假经历等误导他人的内容;
    3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。


6. 传播封建迷信,主要表现为:
    1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
    2)求推荐算命看相大师;
    3)针对具体风水等问题进行求助或咨询;
    4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;


7. 文章标题党,主要表现为:
    1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
    2)内容与标题之间存在严重不实或者原意扭曲;
    3)使用夸张标题,内容与标题严重不符的。


8.「饭圈」乱象行为,主要表现为:
    1)诱导未成年人应援集资、高额消费、投票打榜
    2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
    3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
    4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
    5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序


9. 其他危害行为或内容,主要表现为:
    1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
    2)不当评述自然灾害、重大事故等灾难的;
    3)美化、粉饰侵略战争行为的;
    4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。


二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。


三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)

我知道了
恭喜你~答对了
+5羽毛
下一次认真读哦
成功推荐给其他人
+ 10羽毛
评论成功且进入审核!审核通过后,您将获得10羽毛的奖励。分享本文章给好友阅读最高再得15羽毛~
(羽毛可至 "羽毛精选" 兑换礼品)
好友微信扫一扫
复制链接