高级数据库，数据仓库有哪些关键技术？

一、高级数据库，数据仓库有哪些关键技术？

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。先大概列一下互联网行业数据仓库、数据平台的用途：

整合公司所有业务数据，建立统一的数据中心；

提供各种报表，有给高层的，有给各个业务的；

为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

开发数据产品，直接或间接为公司盈利；

建设开放数据平台，开放公司数据；

。。。。。。

上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；

建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。

整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：

逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。

我们从下往上看：

数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。

数据源的种类比较多：

网站日志：

作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，

一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；

业务数据库：

业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。

当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS

来自于Ftp/Http的数据源：

有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求;

其他数据源：

比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成

数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；

当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》

实时计算部分，后面单独说。

数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；

前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。

另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。

数据应用

业务产品

业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；

报表

同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；

即席查询

即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；

这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。

即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。

当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。

OLAP

目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；

这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；

比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。

其它数据接口

这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。

我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。

做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。

任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；

这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。

前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。

总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

二、excel数据库技术？

excel是一个表，一个EXCEL的工作薄一个数据库，它的每一张表就是数据库，你可象操作表一样对其进行查询等操作，它里面的列就是数据库的字段，行就是记录，因此你可以按数据库的架构来组建数据，只是你如果你组建的数据不符合数据库的规则，在查询时不能得到时相应的结果。因此在EXCEL中不存在创建数据库。但对存在的数据可以引用。

当满足条件A、B、C、D……时引用是可以的，但如果是在EXCEL中直接引用是不行的，一种是用VBA利用ADO访问EXCEL，在查询时把A、B、C、D几个条件按SQL语法写进查询语句中，引用返回的记录集，一种是利用函数把满足A、B、C、D的记录筛选出来，然后再引用。

三、embase数据库如何高级检索？

1. 打开embase数据库，点击“高级”搜索。

2. 在“高级”搜索页面，您可以使用多个搜索字段进行搜索，例如标题、关键词、作者、文摘等。

3. 在每个搜索字段中输入搜索词或词组，您可以使用多个搜索词或词组，使用AND、OR和NOT操作符将它们组合在一起。

4. 在“日期”字段中，选择您希望搜索的日期范围。

5. 在“数据库”字段中，选择您希望搜索的特定数据库。例如，如果您只希望搜索医学文献，可以选择“医学”数据库。

6. 点击“搜索”按钮，系统将为您返回符合您搜索条件的结果列表。

7. 您还可以使用“高级搜索”页面中的各种高级选项，例如，只搜索研究论文、文献类型、语言、文献状态等。

四、高级数据库有哪些？

如Oracle、Sybase、Informix、Microsoft SQL Server、Microsoft Access、Visual FoxPro等。

Oracle 最新版本是Oracle 11g。 　

Microsoft SQL Server 2008最新，它具有可靠性、可伸缩性、可用性、可管理性等特点，为用户提供完整的数据库解决方案。

Microsoft Access，建议不用，但是access相对SQL简单的多，当然后台的承载能力也小得多。中大型系统不建议用

五、向量数据库技术要求？

向量数据库技术需要具备高效的向量相似度计算能力，快速的向量检索和聚类功能，支持大规模高维度数据的存储和快速查询，同时要具备数据并行处理和分布式计算能力，以适应大规模数据的存储和处理需求。

此外，还需要具备稳定性和可靠性，能够保证数据的一致性和完整性，同时具备良好的可扩展性和易用性，以满足用户对数据库系统的需求。

六、newsql数据库技术特点？

NewSQL数据库技术特点主要体现在以下几个方面：高性能：NewSQL通过列式存储、数据压缩、缓存等技术，可以大幅度提高查询速度和数据处理能力。可扩展性：NewSQL支持横向扩展，通过添加更多的服务器节点来提高系统性能，以满足海量数据的存储和处理需求。高可用性：NewSQL支持自动故障转移、数据备份和恢复等功能，确保系统的稳定运行和数据安全。支持SQL查询：NewSQL保留了传统的SQL查询方式，方便开发者和数据分析师进行数据操作和分析。数据一致性：NewSQL数据库保证数据的一致性，无论使用传统的ACID事务还是基于复制和分区的CAP理论。分布式架构：NewSQL数据库引入了NoSQL数据库的分布式架构，支持大规模数据和高并发请求的处理。大数据处理：NewSQL数据库可以处理大规模数据，支持高并发的请求，满足传统关系型数据库无法满足的一些需求。以上就是NewSQL数据库技术的特点，希望对你有所帮助。

七、面向对象数据库技术？

面向对象数据库系统（Object Oriented Data Base System，简称OODBS）是数据库技术与面向对象程序设计方法相结合的产物。

对于OO数据模型和面向对象数据库系统的研究主要体现在：研究以关系数据库和SQL为基础的扩展关系模型；以面向对象的程序设计语言为基础，研究持久的程序设计语言，支持OO模型；建立新的面向对象数据库系统，支持OO数据模型。

面向对象程序设计方法是一种支持模块化设计和软件重用的实际可行的编程方法。它把程序设计的主要活动集中在建立对象和对象之间的联系（或通信）上，从而完成所需要的计算。一个面向对象的程序就是相互联系（或通信）的对象集合。面向对象程序设计的基本思想是封装和可扩展性。

八、mysql数据库技术介绍？

MySQL目前属于Oracle甲骨文公司，MySQL称之为关系型数据库、微软的SQL Server。

MySQL数据库能够支持在多种操作系统上运行，包括Solaris、Mac OS、FreeBSD和Windows，Linux通通支持。核心功能就是处理数据，其中提供空间供数据存储又是其主要主要功能之一。

数据库一般也不直接面向数据存储，存储是交给表/索引这类对象完成的。

MySQL数据库是一种C/S模型（即客户端和服务端模型），客户端通过账号、密码来连接服务器，连接成功之后才可以进行数据库的操作（CRUD：增加、删除、变更、查询）。MySQL的服务端采用IO复用 + 可伸缩的连接池，实现了网络高并发的经典模型。

九、高级数据库阶段的特点？

高级数据库系统阶段的特点：数据的管理者：数据库管理系统数据面向的对象：整个应用系统数据的共享程度：共享性高，冗余度小数据的独立性：具有高度的物理独立性和逻辑独立性数据的结构化：整体结构化，用数据模型描述数据控制能力：由数据库管理系统提供数据安全性、完整性、并发控制和恢复能力

十、数据库技术与应用应该如何学习?

我大学那会，数据库这门课程是期末前老师抽查书上的随机习题（主要是查询的），然后发现书上的写了一遍过去基础就过去了，后面是刷牛客网的题目，贴近工作实际应用，再然后是现在工作用加看书，基本就是这样了。