大数据量快速处理的架构设计

大数据量快速处理的架构设计

一 背景

       在业务数据的处理过程中，经常会遇到夜间批次处理大量的数据，而且会有时效的要求，这就对程序执行的性能有了较高要求。特别是当应用系统跑了2年以上时，就会有大表或者特大表的操作了，数据量达到百万甚至上亿。 这时回顾前期的设计，就可能会发现好多问题。 可能是由于数据模型设计的时候没有考虑表的分区和及时归档，造成大表处理慢； 也可能是涉及到的sql的设计没有考虑走索引，或有隐式转换、全表扫描、笛卡尔积等的问题；抑或是数据在处理时没有考虑及时的分批切分、外加并发处理的多线程，或者不支持可配置化等等。诸如此类都会造成任务执行时的性能问题，而架构设计关注点之一，就是考虑系统运行的程序性能问题。在此， 为了以后的设计不要走相同的错路。这里暂时简要总结一下。

二 设计方案 

1 最初要考虑归档和分区。

根据业务量规划和发展预测，所有可能的大表设计（可以以100w条记录，或者20G大小的表为参考），都要在最初的时候考虑归档和分区。

  数据冲上高水位（HighWaterMark）后，即使有归档也不会降低高水位，性能可能也存在消耗，所以要及时归档转移数据。 最好是设置分区表，这样分区表可以进行及时的truncate或者drop再重新add分区。 可以灵活的控制存储。

2 sql条件精准定位。

大的关联sql查询语句，一定要根据执行计划中驱动查询的条件来看，尽量的精准抽取数据范围，不要模糊抽取过多数据，避免含好多无用中间数据的结果集给到后面再去过滤，这很可能影响数据库的执行计划判断或者无畏的做多次的嵌套查询，最终导致sql性能下降。

3 快速定位数据，分批支持流水并发。

大批量数据处理，首先要用最简单的方式找到目标最小集群的数据，从大范围中抽出来，并进行切分。切分的目的是可以使用多线程并发处理数据，并且隔离确保各分区的数据不会重复，也不能有遗漏，这样并发时不会造成数据干扰。

4 流水线并发处理提升时效。

  采用3的切分多批＋多线程并发的方式，就可以针对有多个步骤的业务逻辑处理时，不用瀑布模式等待执行，而是可以流水线样的多条执行，实现了多并发，减少时间和空间的浪费。 对于有高时效的任务处理，具有可观的价值。

以上暂时整理，后续待补充。@20170312sz