大数据分析之纳税人画像-实现和优化思路
1.背景环境
本文章来自最近做的项目模块的思考和总结,主要讲思路不涉及过多的基础和实现细节。
需求:统计出来纳税人名称、行业、近一年业务量(办税服务厅、电子税务局、自助渠道),近一年业务量top5(办税服务厅、电子税务局、自助渠道)、近一年纳税金额、近一年申报数、近一年用票数。支持根据所属税务机关分页查询。
看上去业务不复杂,但是数据来自多个系统,数据量很大。来来画个示意图展示下数据来源的复杂程度:
数据涉及5个厂商,数据库采用oracle,涉及几十张表,其中纳税人信息生产环境下有380多万,更不用说其他业务表的数据量有多大了,并且还需要分组,统计,排序。此时此刻心情如下:
2.实现方案
2.1 视图(失败的方案)
由于项目时间关系,想法很简单先采用视图,先实现再说。(其实在做的时候就有不详的预感,感觉这种方案不行)。于是开干,在实现的过程中我用到的
关键技术点有:
oracle wm_concat(column)函数实现查询相同id字段,内容以逗号分隔
select id, wmsys.wm_concat(字段名)字段别名 from table group by id
Oracle分组查询取每组排序后的前N条记录
SELECT *
FROM (
SELECT 分组的字段名, ROW_NUMBER() OVER(PARTITION BY 分组的字段名
ORDER BY 排序的字段名) AS RN FROM 表名
)
WHERE RN <= 10 得到分组后,数据的前几条
count、sum、group by 、join、dblink等等
生产环境下验证结果
测试环境还好,生产环境打开视图好久查不出来数据,临时表空间暴增30g. 来看下现场的执行计划
冷静分析
- 数据库是其他厂商的,我们没有权限去建索引,只给了查询权限。
- 大量的hash join,这些操作都在内存中,内存不足会把临时计算结果放到磁盘导致临时表空间暴增。
- 分组、排序类的特别耗时。
- 问题的本质也就是类似于数据结构的:时间复杂度和空间复杂度。 通俗点说你愿意拿空间换时间还是时间换空间?
- 大道至简、分而治之。当人类面临负责问题和巨大工程的时候,都喜欢切成一小块一小块的去处理,问题就迎刃而解。
2.2 定时任务汇总(备选方案1)
接着上文,其实我们可以提前把数据加工好,插入汇总表,不用每次用户查询的时候去计算就好了。
技术实现关键点:
- 可以用spring +quarter 定时任务
- oracle中定时任务
以上在汇总的过程中必须注意一次拉取小批量数据加工。
由于时间紧急,定时任务需要开发代码,数据量大,数据批次需要处理等缺点放弃了
2.3 物理视图(选用方案2)
因为有比较多的查询汇总,考虑到速度,最后选择了物理视图方案。下面简单介绍下物理视图。
物化视图也是种视图。Oracle的物化视图是包括一个查询结果的数据库对像,它是远程数据的的本地副本,或者用来生成基于数据表求和的汇总表。物化视图存储基于远程表的数据,也可以称为快照。
物化视图可以查询表,视图和其它的物化视图。
特点:
(1) 物化视图在某种意义上说就是一个物理表(而且不仅仅是一个物理表),这通过其可以被user_tables查询出来,而得到确认;
(2) 物化视图也是一种段(segment),所以其有自己的物理存储属性;
(3) 物化视图会占用数据库磁盘空间,这点从user_segment的查询结果,可以得到佐证;
创建语句:create materialized view mv_name as select * from table_name
创建过程一波三折
把方案一种的视图sql改称物理视图,到生产环境下创建。尼玛又出状况了
一个sql执行了8个小时,居然失败了,怎么办?
冷静分析
- 仔细看sql,去掉了不必要的关联查询。
- 拆分物理视图,一个拆三,分而治之。
最后在3个小时左右,成功创建了5个物理视图。
又出状况、一波四折
**
测试库是11.2.0.1.0的,WMSYS.WM_CONCAT( )函数返回的是varchar类型,而正式库是11.2.0.4.0的,返回的是CLOB类型的。为了兼容,所以解决办法是:TO_CHAR(WMSYS.WM_CONCAT(param )); 只要用to_char()函数转换一下就可以了。。。
好吧,重新来过,最后在3个小时左右,成功创建了5个物理视图。
2.4 hadoop(做梦的方案,杀鸡蔫用牛刀)
据说PB级别的数据,才上hadoop。为了卖弄一下我也懂点大数据技术(毕竟也读过几本书),简单的列一下实现思路:
0.搭建hadoop平台
1.sqoop导入数据到hive
2.利用hive进行分析
3.sqoop把分析结果导入Oracle汇总表
4.持续运维
为什么不采用的原因:
1.数据量远远不够
2.客户是否给你那么多机器来组集群。
3.公司缺乏相关技术的开发和运维,成本代价高。
3.结论
- 大道至简、分而治之
- 思路总比问题多,不抛弃不放弃。
总结不易欢迎在看或转发,更多精彩关注微信公众号【lovepythoncn】