实时数据仓库平台的制作方法

合集下载

《面向工业领域的实时数据仓库的设计与实现》

《面向工业领域的实时数据仓库的设计与实现》

《面向工业领域的实时数据仓库的设计与实现》一、引言随着工业领域信息化和数字化的不断深入,实时数据仓库已成为工业领域中不可或缺的重要基础设施。

实时数据仓库是存储、处理和分析实时数据的系统,能够为工业生产提供决策支持。

本文旨在探讨面向工业领域的实时数据仓库的设计与实现,为相关领域的研究和实践提供参考。

二、实时数据仓库设计1. 需求分析在工业领域中,实时数据仓库的需求主要来自于生产线的实时监控、设备故障的预测与预警、产品质量监控与控制等。

因此,设计一个高效的实时数据仓库应考虑以下几个方面:(1)高可用性:确保数据存储和处理的稳定性和可靠性。

(2)高性能:满足大量数据的实时处理和分析需求。

(3)灵活性:支持不同类型的数据源接入和数据处理。

(4)可扩展性:随着业务的发展,能够方便地扩展存储和处理能力。

2. 架构设计实时数据仓库的架构设计应遵循分层设计原则,通常包括以下几个层次:(1)数据源层:负责收集不同类型的数据源,如传感器数据、生产管理系统数据等。

(2)数据预处理层:对数据进行清洗、转换和标准化处理,以便于后续分析。

(3)数据存储层:采用分布式存储技术,如HDFS或分布式数据库,以支持海量数据的存储。

(4)数据处理层:采用计算引擎和算法模型,对数据进行实时处理和分析。

(5)应用层:提供API接口和可视化界面,以支持业务应用的开发和使用。

3. 关键技术选择在实时数据仓库的设计中,关键技术的选择至关重要。

主要涉及以下技术:(1)分布式存储技术:如HDFS或分布式数据库,用于支持海量数据的存储和管理。

(2)计算引擎:如Spark或Flink等,用于实现数据的实时处理和分析。

(3)数据模型设计:采用合适的数据库模型和数据存储结构,以提高数据的处理和分析效率。

三、实时数据仓库的实现1. 数据源接入与预处理在实现实时数据仓库时,首先需要收集不同类型的数据源,并进行预处理。

这包括对数据进行清洗、转换和标准化等操作,以便于后续分析。

《面向工业领域的实时数据仓库的设计与实现》

《面向工业领域的实时数据仓库的设计与实现》

《面向工业领域的实时数据仓库的设计与实现》一、引言随着工业 4.0时代的到来,工业领域的数据量呈现出爆炸式增长。

为了有效管理和分析这些数据,实时数据仓库的设计与实现显得尤为重要。

实时数据仓库能够为工业领域提供高效、准确的数据支持,帮助企业实现智能化、精细化的管理。

本文将介绍面向工业领域的实时数据仓库的设计与实现,包括设计目标、系统架构、关键技术及实现方法等方面。

二、设计目标面向工业领域的实时数据仓库的设计目标主要包括以下几个方面:1. 数据实时性:确保数据的实时采集、传输和存储,以满足工业领域的实时决策需求。

2. 数据准确性:保证数据的准确性和可靠性,为企业的决策提供有力支持。

3. 高效性:提高数据处理和分析的效率,降低系统响应时间。

4. 可扩展性:系统应具备较好的可扩展性,以适应未来数据量的增长。

5. 易用性:提供友好的用户界面,方便用户进行数据查询和分析。

三、系统架构面向工业领域的实时数据仓库的系统架构主要包括数据源、数据采集、数据传输、数据处理、数据存储和数据服务六个部分。

1. 数据源:包括工业设备、传感器、数据库等,负责产生和收集原始数据。

2. 数据采集:通过传感器、接口等方式,实时采集原始数据。

3. 数据传输:将采集到的数据传输到数据中心。

4. 数据处理:对传输到的数据进行清洗、转换和加工,以满足不同的分析需求。

5. 数据存储:将处理后的数据存储到实时数据库中,以支持实时查询和分析。

6. 数据服务:提供数据查询、分析、报表等服务,以满足用户的需求。

四、关键技术1. 数据采集与传输技术:采用高效的通信协议和传输技术,确保数据的实时采集和传输。

2. 分布式存储技术:利用分布式存储技术,将数据存储在多个节点上,提高数据的可靠性和可扩展性。

3. 数据处理与分析技术:采用大数据处理和分析技术,对数据进行清洗、转换和加工,以满足不同的分析需求。

4. 实时计算引擎:提供高效的实时计算引擎,支持实时查询和分析。

数据仓库建立的步骤

数据仓库建立的步骤

数据仓库建立的步骤
数据仓库的建立可以分为以下步骤:
1. 需求分析和规划:首先需要明确数据仓库的目标和需求,了解业务需求、数据来源和数据量等信息。

根据需求制定数据仓库的规划和架构设计。

2. 数据采集和清洗:确定需要采集的数据源,并进行数据抽取、转换和加载(ETL)工作。

在这一步骤中,需要进行数据清洗、格式转换、数据集成等操作,确保数据的准确性和一致性。

3. 数据存储和管理:选择适当的存储技术和数据库,将清洗后的数据存储到数据仓库中。

常用的存储技术包括关系型数据库、列存数据库、分布式文件系统等,选择合适的存储技术可以提高数据的查询效率和处理能力。

4. 数据建模和设计:在数据仓库中进行数据建模,包括维度建模和事实建模。

维度建模主要是定义维度表和维度关系,事实建模则是建立与业务主题相关的事实表和维度表之间的关系。

5. 数据质量管理:建立数据质量管理机制,确保数据的准确性、完整性和一致性。

可以通过数据质量规则、数据审查和数据质量监控等手段来管理和优化数据质量。

6. 数据分析和报表:根据业务需求,设计和开发数据分析模型和报表。

通过数据仓库中的数据,进行数据挖掘和分析,帮助企业做出决策。

7. 数据安全和权限管理:保护数据的安全性,设置合适的数据权限和访问控制,确保只有授权的人员可以访问和操作数据仓库。

8. 持续优化和迭代:数据仓库建立后,需要进行持续的优化和迭代工作。

根据实际使用情况,不断改进数据仓库的性能和功能,提高数据仓库的价值。

以上是数据仓库建立的一般步骤,具体的步骤和流程可能会因不同的业务需求和技术选型而有所差异。

数据仓库的设计和构建

数据仓库的设计和构建

数据仓库的设计和构建数据仓库(Data Warehouse)是指将组织机构内部各种分散的、异构的数据整合起来,形成一个共享的、一致的、易于查询和分析的数据环境。

数据仓库的设计和构建是数据管理和分析的重要环节。

本文将结合实践经验,介绍数据仓库的设计与构建过程。

一、需求分析数据仓库的设计与构建首先需要进行需求分析。

在需求分析阶段,我们需要明确以下几个问题:1. 数据来源:确定数据仓库所需要的数据来源,包括内部系统和外部数据源。

2. 数据维度:确定数据仓库中需要关注的维度,如时间、地理位置、产品等。

3. 数据粒度:确定数据仓库中的数据粒度,即需要对数据进行何种程度的聚合。

4. 数据可用性:确定数据仓库中数据的更新频率和可用性要求。

5. 分析需求:明确数据仓库所需满足的分析需求,如报表查询、数据挖掘等。

二、数据模型设计在数据仓库设计过程中,数据模型的设计尤为重要。

常用的数据模型包括维度建模和星型模型。

维度建模是基于事实表和维度表构建的,通过定义事实和维度之间的关系,建立多维数据结构。

星型模型则将事实表和各个维度表之间的关系表示为星型结构,有助于提高查询效率。

根据具体需求和数据特点,选择合适的数据模型进行设计。

三、数据抽取与转换数据仓库的构建过程中,需要从各个数据源中抽取数据,并进行清洗和转换。

数据抽取常用的方法包括全量抽取和增量抽取。

全量抽取是指将数据源中的全部数据抽取到数据仓库中,适用于数据量较小或变动频率较低的情况。

增量抽取则是在全量抽取的基础上,只抽取发生变动的数据,提高了数据抽取的效率。

数据在抽取到数据仓库之前还需要进行清洗和转换。

清洗的目标是去除数据中的错误、冗余和不一致之处,保证数据的准确性和完整性。

转换的目标是将数据格式进行统一,并进行必要的计算和整合,以满足数据仓库的需求。

四、数据加载与存储数据加载是指将抽取、清洗和转换后的数据加载到数据仓库中的过程。

数据加载的方式可以分为批量加载和实时加载。

数据仓库设计步骤

数据仓库设计步骤

数据仓库设计步骤数据仓库是一个用于集中存储、管理和分析大量数据的系统。

它的设计过程是一个复杂的任务,需要经历多个步骤。

下面是数据仓库设计的主要步骤:1.需求分析:首先,需要与业务用户和利益相关者合作,了解业务需求和目标。

这包括理解他们的数据分析需求、业务流程和决策支持要求。

这一步骤有助于确定数据仓库应该包含哪些数据和所需的数据分析功能。

2.数据源分析:在这一步骤中,需要识别和分析所有可用的数据源,包括内部和外部系统。

需要评估这些数据源的数据质量、结构和可用性,以确定应该选择哪些数据源。

3.数据抽取、转换和加载(ETL):在这个步骤中,需要确定如何从不同的数据源中提取数据,并将其转换为适合数据仓库的格式。

这包括数据清洗、数据集成和数据转换等过程。

ETL过程还应该能够处理数据的增量更新和历史数据的保留。

4.数据模型设计:在这一步骤中,需要设计数据仓库的逻辑模型和物理模型。

逻辑模型通常使用维度建模技术,包括维度表和事实表来描述数据。

物理模型则定义了如何将逻辑模型映射到实际的存储结构,包括数据库表和索引设计等。

5.数据仓库架构设计:在这一步骤中,需要确定数据仓库的整体架构。

这包括确定数据仓库的结构、数据存储和访问机制。

需要考虑到数据仓库的可伸缩性、性能和可用性等方面。

6.数据仓库实施:在这个步骤中,需要根据设计的数据模型和架构来实施数据仓库。

这包括创建数据库表、索引、视图等。

还需要实施ETL过程和相关的数据访问工具。

7.数据质量管理:数据质量是数据仓库设计中一个重要的方面。

在这一步骤中,需要定义数据质量规则和度量,并实施数据质量管理的过程。

这包括数据清洗、数据验证和数据监控等活动。

8.元数据管理:在数据仓库中,元数据是描述数据的数据。

在这一步骤中,需要定义和管理元数据,以便用户能够理解数据的含义和含义。

这包括建立元数据仓库、元数据标准和元数据管理工具等。

9.安全和访问控制:在这一步骤中,需要制定数据仓库的安全策略和访问控制机制。

实现实时数据处理和流式计算的Hive编程方法

实现实时数据处理和流式计算的Hive编程方法

实现实时数据处理和流式计算的Hive编程方法Hive是一个基于Hadoop的数据仓库基础设施,广泛应用于大数据处理和分析。

然而,由于Hive的批处理特性,使得它在处理实时数据和流式计算方面有一定的局限性。

不过,随着技术的发展,Hive也提供了一些方法和工具来实现实时数据处理和流式计算。

本文将介绍一些Hive编程方法,以实现这些需求。

1. 使用Hive Streaming APIHive Streaming API是Hive提供的一种接口,可以实现流式数据导入和实时数据处理。

它允许通过将数据写入Hive表中的流来实时处理数据。

使用Hive Streaming API,开发人员可以编写自定义的数据处理逻辑,并将处理后的结果存储到Hive表中。

使用Hive Streaming API,需要编写Java或Python等编程语言的代码。

通过创建一个实现HiveStreamingConnection接口的类,可以连接到Hive,并使用HiveStreamingRecordWriter将数据写入Hive表中。

然后,可以在Hive中进行查询和分析。

2. 结合Hive和Spark StreamingSpark是一个快速、通用的大数据处理引擎,与Hive完美结合可以实现实时数据处理和流式计算。

Spark Streaming是Spark的流式处理模块,可以将实时数据流转化为微批量处理,实现近实时的数据处理。

结合Hive和Spark Streaming,可以使用Spark Streaming读取实时数据流,并将数据存储到Hive表中。

可以使用Hive的支持的语言(如HQL)编写查询,以实现实时数据分析和计算。

3. 使用Hive on TezHive on Tez是Hive的一个执行引擎,用于加速Hive查询的执行速度。

它基于Apache Tez,一种更高效的大数据计算框架。

使用Hive on Tez可以提高Hive的实时数据处理和流式计算能力。

实时数仓建模方法

实时数仓建模方法

实时数仓建模方法嘿,咱今儿就来聊聊实时数仓建模方法。

你说这实时数仓建模啊,就好像是给数据搭房子。

咱得先有个清晰的规划吧,不然东一块西一块的,那不就乱套啦!咱先得想好数据从哪儿来,就像盖房子得知道材料从哪儿运一样。

这些数据就像是各种各样的砖块、瓦片,咱得把它们好好整理分类。

然后呢,根据不同的数据特点和需求,设计出合适的模型结构。

这就好比给房子设计框架,得稳固又实用。

比如说,有些数据就像那直直的钢梁,咱得让它们撑起整个架构;有些数据呢,就像那些精致的装饰,得恰到好处地放在合适的位置。

而且啊,咱还得考虑数据的流动,就像房子里的水管电线,得让它们通顺无阻。

你想想,要是模型建得不合理,那不就跟那歪歪扭扭的房子一样,随时可能出问题呀!到时候数据处理起来磕磕绊绊的,多闹心呐!在建模过程中,还得时刻关注数据的变化。

这世界变得快呀,数据也是一会儿一个样。

咱得像那灵活的工匠一样,随时能根据新情况调整模型。

就好比房子盖着盖着,突然发现有更好的设计方案,那咱就得果断调整,可不能死脑筋。

还有啊,数据的质量也特别重要。

要是用了那些劣质的“砖块”,这房子能牢固吗?肯定不行呀!所以得把好数据质量这一关,把那些有问题的数据清理掉,就像把那些不合格的材料挑出去一样。

咱建实时数仓模型,不就是为了能快速、准确地处理数据嘛。

这就跟咱住房子得舒服、方便一个道理。

要是模型建得好,那处理起数据来就跟在敞亮的大房子里一样自在;要是建得不好,那可就麻烦啦,就跟住在那破破烂烂的小屋里似的,干啥都不顺畅。

总之啊,实时数仓建模可不是个简单的事儿,得用心、得仔细。

咱得把数据当成宝贝一样对待,好好给它们安个家。

只有这样,咱才能在数据的海洋里畅游无阻,利用好这些宝贵的数据资源。

你说是不是这个理儿呀?咱可不能小瞧了这建模的功夫,它可是关系到数据处理的效率和质量呢!所以啊,可得好好琢磨琢磨,多花点心思,让咱的实时数仓建模棒棒哒!。

大数据平台设计方案

大数据平台设计方案
(2)数据处理:使用Spark分布式计算框架进行数据处理。
(3)数据查询:使用Hive进行大数据查询。
(4)数据挖掘:采用机器学习算法库,如TensorFlow、PyTorch等。
(5)数据可视化:使用ECharts、Tableau等工具实现数据可视化。
四、数据安全与合规性
1.数据安全:采用物理安全、网络安全、数据加密、访问控制等技术手段,确保数据安全。
第2篇
大数据平台设计方案
一、引言
在信息技术迅猛发展的当下,大数据已成为企业竞争力的重要组成部分。为了高效利用数据资源,提升决策质量,降低运营成本,本公司决定构建一套先进的大数据平台。本方案旨在提供一份详尽、合规的大数据平台设计方案,以支撑企业未来发展需求。
二、项目目标
1.构建统一、高效的数据资源中心,实现数据的集中管理和有效利用。
-数据处理:采用Spark分布式计算框架,实现快速、高效的数据处理。
-数据查询:使用Hive进行大数据查询,满足复杂查询需求。
-数据挖掘:集成TensorFlow、PyTorch等机器学习算法库,实现数据挖掘和分析。
-数据可视化:运用ECharts、Tableau等工具,实现数据可视化展示。
四、数据安全与合规性
(2)数据存储层:采用分布式存储技术,实现海量数据的存储和管理。
(3)数据处理层:对数据进行清洗、转换、整合等处理,提高数据质量。
(4)数据服务层:提供数据查询、分析、可视化等服务,满足业务部门需求。
(5)应用层:基于数据服务层提供的接口,开发各类应用,为决策层和业务部门提供支持。
2.技术选型
(1)数据存储:采用Hadoop分布式文件系统(HDFS)进行海量数据存储。
-数据存储层:采用分布式存储技术,实现大数据的高效存储和管理。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

图片简介:本技术介绍了一种实时数据仓库平台,该实时数据仓库平台包括:业务数据采集系统、日志数据采集系统、分析系统;业务数据采集系统包括candu模块,candu模块对业务数据的变更日志进行同步解析,并将解析后的数据存储至分析系统的kudu存储模块中;日志数据采集系统,用于收集日志数据、对日志数据进行计算,并将计算结果存储至kudu存储模块中;kudu 存储模块根据存储的解析后的数据和计算结果进行实时的数据分析。

本技术通过candu模块实时收集分布在各个业务系统上的业务数据的变更日志,实现了业务数据的实时同步。

技术要求1.一种实时数据仓库平台,其特征在于,包括:业务数据采集系统、日志数据采集系统、分析系统;所述业务数据采集系统包括candu模块,所述candu模块对业务数据的变更日志进行同步解析,并将解析后的数据存储至所述分析系统的kudu存储模块中;所述日志数据采集系统,用于收集日志数据、对所述日志数据进行计算,并将计算结果存储至kudu存储模块中;所述kudu存储模块根据存储的所述解析后的数据和所述计算结果进行实时的数据分析。

2.根据权利要求1所述的实时数据仓库平台,其特征在于,所述日志数据采集系统包括:kafka模块,所述日志数据写入所述kafka模块中。

3.根据权利要求2所述的实时数据仓库平台,其特征在于,所述日志数据采集系统还包括:spark streaming模块,读取所述kafka模块中的所述日志数据、进行实时计算,并将所述计算结果存储至kudu存储模块中。

4.根据权利要求1所述的实时数据仓库平台,其特征在于,所述业务数据采集系统还包括:业务数据库,用于记录业务数据的变更日志;canal模块,通过模拟与业务数据库的交互协议,使得所述业务数据库向所述canal模块推送所述变更日志。

5.根据权利要求1所述的实时数据仓库平台,其特征在于,所述分析系统还包括:impala分析引擎,利用所述impala分析引擎以实现实时的数据分析。

6.根据权利要求1所述的实时数据仓库平台,其特征在于,所述candu模块包括:Operation子模块,用于通过kudu原生api的异步写入模式,将所述解析后的数据存储至所述kudu存储模块中。

7.根据权利要求6所述的实时数据仓库平台,其特征在于,所述candu模块还包括:读取子模块,用于从所述candu模块中存储的配置表;Exchange子模块,用于进行配置表数据的初始化同步。

8.根据权利要求6所述的实时数据仓库平台,其特征在于,所述candu模块还包括:Manager子模块,用于管理多个Task线程,所述Operation子模块在Task线程中将所述解析后的数据存储至所述kudu存储模块中。

技术说明书实时数据仓库平台技术领域本技术涉及网络技术领域,具体来说,涉及一种实时数据仓库平台。

背景技术在现有的针对数据仓库的技术方案中,都是采用离线的、且不可更新的分布式hive数据仓库,很难做到实时数据仓库的级别,并且不能做到实时同步业务数据库。

如果不能保证时效性,则不能对现有的业务数据分析提供更多改的进。

除此之外,现有的数据仓库,不能很方便地被业务人员使用。

整体来说,现有的日志系统存在以下缺陷:1)现有系统大都是hive的离线式的分布式数据仓库,不能满足用户的更新与记录级别的插入功能。

2)性能差。

现有的hive分布式数据仓库,小数据量的查询性能极差,甚至达不到传统关系数据仓库的性能。

3)日志实时数据与历史数据融合问题。

现有数据仓库都是离线数据,与实时日志数据无法融合,这样间接阻碍了业务的全数据的分析与挖掘。

针对相关技术中的上停问题,目前尚未提出有效的解决方案。

技术内容针对相关技术中的上述问题,本技术提出一种实时数据仓库平台,能够实现业务数据库的实时同步。

本技术的技术方案是这样实现的:根据本技术的一个方面,提供了一种实时数据仓库平台,包括:业务数据采集系统、日志数据采集系统、分析系统;业务数据采集系统包括candu模块,candu模块对业务数据的变更日志进行同步解析,并将解析后的数据存储至分析系统的kudu存储模块中;日志数据采集系统,用于收集日志数据、对日志数据进行计算,并将计算结果存储至kudu存储模块中;kudu存储模块根据存储的解析后的数据和计算结果进行实时的数据分析。

在一个实施例中,日志数据采集系统包括:kafka模块,日志数据写入kafka模块中。

其中,日志数据采集系统还包括:spark streaming模块,读取kafka模块中的日志数据、进行实时的计算,并将计算结果存储至kudu存储模块中。

在一个实施例中,业务数据采集系统还包括:业务数据库,用于记录业务数据的变更日志;canal模块,通过模拟与业务数据库的交互协议,使得业务数据库向canal模块推送变更日志。

在一个实施例中,分析系统还包括:impala分析引擎,利用impala分析引擎以实现实时的数据分析。

在一个实施例中,candu模块包括:Operation子模块,用于通过kudu原生api的异步写入模式,将解析后的数据存储至kudu存储模块中。

其中,candu模块还包括:读取子模块,用于从candu模块中存储的配置表;Exchange子模块,用于进行配置表数据的初始化同步。

其中,candu模块还包括:Manager子模块,用于管理多个Task线程,Operation子模块在Task线程中将解析后的数据存储至kudu存储模块中。

本技术通过candu模块实时收集分布在各个业务系统上的业务数据的变更日志,实现了业务数据的实时同步;利用canal模块、candu模块完成业务数据库数据的实时同步,并利用kafka模块作为日志传输工具发送日志,吞吐量大,且不易丢失日志;利用kudu存储模块可以完成数据的修改,支持增删查改功能;利用分布式查询引擎的impala分析引擎,可以做到实时同步与实时分析;将数据实时同步或写入kudu存储模块,通过impala分析引擎查询kudu存储模块,提高了查询性能;同时,实现了业务数据的实时同步与日志数据的实时同步,能够完成全域的数据融合,帮助用户全面准确的进行数据分析。

附图说明为了更清楚地说明本技术实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。

图1是根据本技术实施例的实时数据仓库平台的框图;图2是图1中candu模块类图的示意图。

具体实施方式下面将结合本技术实施例中的附图,对本技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本技术一部分实施例,而不是全部的实施例。

基于本技术中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本技术保护的范围。

如图1所示,根据本技术实施例的一种实时数据仓库平台100,包括:业务数据采集系统、日志数据采集系统、分析系统;业务数据采集系统包括candu模块118,candu模块118对业务数据的变更日志进行同步解析,并将解析后的数据存储至分析系统的kudu存储模块130中;日志数据采集系统,用于收集日志数据122、对日志数据122进行计算,并将计算结果存储至kudu存储模块130中;kudu存储模块130根据存储的解析后的数据和计算结果进行实时的数据分析。

实时同步生产系统数据至数据仓库平台100,支持读写分离,能够提供实时分析与数据挖掘的平台100系统。

kudu存储模块130是支持快速分析的新型的存储系统,kudu存储模块130可以支持分布式超大数据集的快速查询与分析;利用kudu存储模块130还可以完成数据仓库中数据的修改。

在一个实施例中,candu模块118包括:Operation子模块,用于通过kudu原生api的异步写入模式,将解析后的数据存储至kudu存储模块130中。

其中,candu模块118还可包括:读取子模块,用于从candu模块118中存储的配置表;Exchange子模块,用于进行配置表数据的初始化同步。

其中,candu模块118还可包括:Manager子模块,用于管理多个Task线程,Operation子模块在Task线程中将解析后的数据存储至kudu存储模块130中。

candu模块118是一款实时将变更日志,例如mysql binlog中记录的变更日志,同步解析存储至kudu存储模块130。

结合图2所示,candu模块118主要通过CanduManager管理每个CanduTask线程,通过CanduDbsService,CanduDdlService,CanduTablesService读取数据库中的配置表,完成初始化工作,以及作业的控制。

CanduTask线程中将Entry解析的数据保存到kudu分布式存储中去。

每个数据库对应一个线程。

通过kudu原生api的异步写入模式,可以将海量的数据在短时间内写入kudu存储模块130,保证数据的高效写入。

Exchange 主要功能是完成表数据初始化同步的功能,每张表在最开始同步的时候,会有历史数据,这部分数据没法从canal中获取到,所以通过初始化可以将数据全部同步到kudu存储模块 130,保证kudu存储模块130的数据完整性。

通过CanduTask处理线程类,可有效的管理线程,提供稳定的服务。

其中,candu模块118可通过Candu_dbs,Candu_ddl,Candu_tables三张表控制同步表的增加,删除,与暂停,以及线程数目的控制,一个数据库会起一个CanduTask线程用于同步数据。

在一个实施例中,日志数据采集系统包括:kafka模块124,日志数据122写入kafka模块124中。

在本实施例中,日志数据采集系统还可包括:spark streaming模块126,读取kafka模块124中的日志数据、进行实时计算,并将计算结果存储至kudu存储模块130中。

在本实施例中,通过采用spark streaming模块126和kafka模块124,通过kafka模块124与spark streaming 模块126解决日志收集与计算,将结果存储至kudu存储模块130,能够实现实时计算。

kafka模块124是一个开源的消息发布和订阅系统。

kafka模块124能够对于TB级别的数据提供一个常量时间性能;采用普通的硬件支持每秒百万级别的吞吐量。

通过kafka服务器和消费者机器的集群分布式消费,维持每一个分区是有序的。

另外,kafka模块124还具有实时性,消息被生成者线程生产就能马上被消费者线程消费。

同时,spark streaming模块126可以在很小的间隔完成数据的处理,spark streaming模块126用来处理kafka模块124的日志数据可做到实时处理,并将结果写入kudu存储模块130,可以保证实时数据仓库的日志数据的实时性。

相关文档
最新文档