筆者在實際工作中，有幸接觸到海量的數據處理問題，海量數據是指數據量過大，數據格式復雜，數據中的隨機情況多，不便於分類和處理的數據。對其進行處理是一項艱巨而復雜的任務，原因有以下幾個方面：
1. 數據量過大。數據中什么情況都可能存在。如果說有10條數據，那么大不了每條去逐一檢查，人為處 理；如果有上百條數據，也可以考慮；如果數據上到千萬級別，甚至過億，那就不是手工能解決的了，必須通過工具或者程序進行處理。而海量的數據中，什么情況 都可能存在，例如，數據中某處格式出了問題，尤其在程序處理時，前面還能正常處理，突然到了某個地方問題出現了，程序終止了。
2. 軟硬件要求高。系統資源占用率高。對海量的數據進行處理，除了好的方法，最重要的就是合理使用工具，合理分配系統資源。一般情況，如果處理的數據超過TB級，小型機是要考慮的，普通的服務器如果有好的方法也可以考慮，不過也必須加大CPU和內存。
3. 要求很高的處理方法和技巧。這也是本文的寫作目的所在，好的處理方法是一位工程師長期工作經驗的積累，也是個人經驗的總結。沒有通用的處理方法，但有通用的原理和規則。
那么處理海量數據有哪些經驗和技巧呢？我把我所知道的羅列一下，以供大家參考：
確定好的建模方法和處理方案。對海量數據的處理，明確切實可行的處理方法和流程最為關鍵。在建立處理模型時要充分考慮到海量數據數據量大、數據格式復雜的特點，建立好的處理模型。好的處理模型應該是處理中最快的，能夠便於擴展，便於處理更大的數據量，便於實施等等。
選用優秀的數據庫工具。 現在的數據庫工具廠家比較多，處理海量數據對所使用的數據庫工具要求比較高，一般使用Oracle或者DB2，微軟公司最近發布的SQL Server 2005性能也不錯。另外在BI領域：數據庫，數據倉庫，多維數據庫，數據挖掘等相關工具也要進行選擇，像好的ETL工具和好的OLAP工具都十分必要， 例如Informatic、Eassbase等等。筆者在實際數據分析項目中，對每天6000萬條的日志數據進行處理，使用SQL Server 2000需要花費6小時，而使用SQL Server 2005只需要花費3小時。
編寫優良的程序代碼。處理數據離不開優秀的程序代碼，尤其在進行復雜數據處理時，必須使用程序。好的程序代碼對數據的處理至關重要，這不僅僅是數據處理准確度的問題，更是數據處理效率的問題。良好的程序代碼應該包含好的算法、好的處理流程、好的效率、好的異常處理機制等等。
對海量數據進行分區操作。 對海量數據進行分區操作十分必要，例如針對按年份存取的數據，我們可以按年進行分區，不同的數據庫有不同的分區方式，不過處理機制大體相同。例如SQL Server的數據庫分區是將不同的數據存於不同的文件組下，而不同的文件組存於不同的磁盤分區下，這樣將數據分散開，減小磁盤I/O，減小了系統負荷， 而且還可以將日志、索引存放於不同的分區下。
建立廣泛的索引。對海量的數據處理，對大表 建立索引是必行的，建立索引要考慮到具體情況，例如針對大表的分組、排序等字段，都要建立相應索引，一般還可以建立復合索引，對經常插入的表則建立索引時 要小心。筆者在處理數據時，曾經在一個ETL流程中，當插入表時，首先刪除索引，插入完畢，建立索引，並實施聚合操作，聚合完成后，再次插入前還是刪除索 引，所以索引要用到好的時機，索引的填充因子和聚集、非聚集索引都要考慮。
提高硬件條件，加大CPU和內存。 對海量數據數據處理，必須考慮硬件條件，使用高配置服務器的。硬件條件包括加大內存，加入更多更強勁的CPU，加大硬盤空間等等。筆者在處理2TB數據 時，使用的是4個CPU，16GB內存，發現有時還會出現內存不足現象，需要進行其它方面的優化，如果這時沒有足夠的硬件條件做支撐，是萬萬不行的。
建立緩存機制。當數據量增加時，一般的處理工具都要考慮到緩存問題。緩存大小設置的好壞也關系到數據處理的成敗，例如，筆者在處理2億條數據聚合操作時，緩存設置為10萬條/Buffer，這對於這個級別的數據量是可行的。
加大虛擬內存。 如果系統資源有限，內存提示不足，則可以靠增加虛擬內存來解決。筆者在實際項目中曾經遇到針對18億條的數據進行處理，內存為1GB，1個P4 2.4G的CPU，對這么大的數據量進行聚合操作是有問題的，提示內存不足，后來采用了加大虛擬內存的方法來解決，在6塊磁盤分區上分別建立了6個 4096M的磁盤分區，用於虛擬內存，這樣虛擬的內存則增加為4096*6 + 1024 = 25600 M，解決了數據處理中的內存不足問題。
分批處理。 海量數據處理難是因為數據量大，那么解決海量數據處理難的問題其中一個技巧是減少數據量。可以對海量數據分批處理，處理后的數據再進行合並操作，這樣逐個 擊破，有利於小數據量的處理，不至於面對大數據量帶來的問題。但這種方法也要因時因勢進行，如果不允許拆分數據，還需要另想辦法。不過一般按天、月、年等 存儲的數據，都可以采用先分后合的方法，對數據進行分開處理。
使用臨時表和中間表。數據量增加時，處理中要考慮提前匯總。這樣做的目的是化整為 零，大表變小表，分塊處理完成后，再利用一定的規則進行合並，處理過程中的臨時表的使用和中間結果的保存都非常重要，對於超海量的數據，如果大表處理不 了，只能拆分為多個小表。如果處理過程中需要多步匯總操作，可按匯總步驟一步步來，不要一條語句完成，一口氣吃成一個胖子。
優化查詢SQL語句。 在對海量數據進行查詢處理過程中，查詢的SQL語句的性能對查詢效率的影響是非常大的，編寫高效優良的SQL腳本和存儲過程是數據庫工作人員的職責，也是 檢驗數據庫工作人員水平的一個標准，在對SQL語句的編寫過程中，例如減少關聯，少用或不用游標，設計好高效的數據庫表結構等都十分必要。筆者在工作中試 着對1億行的數據使用游標，運行3個小時沒有出結果，這時一定要改用程序處理了。
使用文本格式進行處理。 對一般的數據處理可以使用數據庫，如果對復雜的數據處理，必須借助程序，那么在程序操作數據庫和程序操作文本之間選擇，是一定要選擇程序操作文本的。原因 為：程序操作文本速度快；對文本進行處理不容易出錯；文本的存儲不受限制等等。例如一般的海量的網絡日志都是文本格式或者csv格式（文本格式），對它進 行處理牽扯到數據清洗，是要利用程序進行處理的，而不建議導入數據庫再做清洗。
定制強大的清洗規則和出錯處理機制。海量數據中存在着不一致性，極有可能出現某處的瑕疵。例如，同樣的數據中的時間字段，有的可能為非標准的時間，出現的原因可能為應用程序的錯誤，系統的錯誤等等。在進行數據處理時，必須制定強大的數據清洗規則和出錯處理機制。
建立視圖或者物化視圖。視圖中的數據來源於基表，對海量數據的處理，可以將數據按一定的規則分散到各個基表中，查詢或處理過程中可以基於視圖進行，這樣分散了磁盤I/O，正如10根繩子吊着一根柱子和一根繩子吊着一根柱子的區別。
避免使用32位服務器（極端情況）。目前的計算機很多都是32位的，那么編寫的程序對內存的需要便受限制，而很多的海量數據處理是必須大量消耗內存的，這便要求更好性能的服務器，其中對位數的限制也十分重要。
考慮操作系統問題。海量數據處理過程中，除了對數據庫、處理程序等要求比較高以外，對操作系統的要求也放到了重要的位置，一般是必須使用服務器的，而且對系統的安全性和穩定性等要求也比較高。尤其對操作系統自身的緩存機制、臨時空間的處理等問題都需要綜合考慮。
使用數據倉庫和多維數據庫存儲。數據量加大是一定要考慮OLAP的，傳統的報表可能5、6個小時出來結果，而基於Cube的查詢可能只需要幾分鍾，因此處理海量數據的利器是OLAP多維分析，即建立數據倉庫，建立多維數據集，基於多維數據集進行報表展現和數據挖掘等等。
使用采樣數據，進行數據挖掘。 基於海量數據的數據挖掘正在逐步興起，面對着超海量的數據，一般的挖掘軟件或算法往往采用數據抽樣的方式進行處理，這樣的誤差不會很大，大大提高了處理效 率和處理的成功率。一般采樣時要注意數據的完整性，防止過大的偏差。筆者曾經對1億2千萬行的表數據進行采樣，抽取出400萬行，經測試軟件測試處理的誤 差僅為千分之五，客戶可以接受。
還有一些方法，需要在不同的情況和場合下運用，例如使用代理鍵等操作，這樣的好處是加快了聚合時間，因為對數值型的聚合比對字符型的聚合快得多。類似的情況需要針對不同的需求進行處理。
海量數據是發展趨勢，對數據分析和挖掘也越來越重要，從海量數據中提取有用信息重要而緊迫，這便要求處理要准確，精度要高，而且處理時間要短，得到有價值信息要快，所以，對海量數據的研究很有前途，也很值得進行廣泛深入的研究。
原文：http://www.360doc.com/content/11/0504/17/4520139_114338585.shtml