1)时间序列数据库(OpenTSDB)
用HBase储存时间序列数据,每时每刻都在解决,数据库为开源
2)HBase爬虫调度库
垂直搜索爬虫
大规模爬虫(全网爬虫)
这里界定URL爬虫调度
3)HBase文档库
储存文档数据库,偏重于储存
4)银行人民币查询系统
HBase在实际问题中的应用:
当数据需要随机读写应用,或者高并发操作(大数据多次操作),或者当数据结构简单,但是量大(非关系型需要大量应用join操作)
HBase对关系型查询,如join等比较难操作
关键要设计Rowkey,可加快查询
常用语言有Java, thrift引用其他语言操作
在rowkey设计里要避免rowkey热点,要充分利用rowkey有序特点,并可以把需求字段组合成rowkey
时间序列数据库
OpenTSDB属于分布式、可伸缩的时间序列数据库
可以在秒级数据进行采集,并支持永久存储与容量规划,另外可以从不同的metrics进行存储、索引
普通mysql容量不够,维度支持不够
该数据库的经验(应该会有遗漏。。)
1)更多的列,更多的数据,扫描更快(在列上扫描比行上扫描快)
2)要让每一行的数据相对独立。把行按照一定的规律进行切分(譬如认为10秒是一行数据,时间戳)
3)要在每一个KeyValue里储存更多的数据
4)不要把同步的储存到server里面(如HTable/HTablePool等),多用asynchbase的护理高并发数据库
5)key尽量等长
6)不要在一个Region里储存过多?
储存时间序列的方法
每一行保存一个metric & time 以及值,这样可以按不同维度储存
把metric id放在时间前面做组合的key,能够更快扫描相应的维度,而且可以节省储存空间(把metrics编号,而不是直接用其名字做metrics)
还可以把行变宽,使行储存更多数据(+0,+1,+2),但是这个不会节省任何空间,只是展示上有所变化而已
但是行不能无限度变宽。
另外,为了防止网络中断错行,建议按照时间戳分行,而不是时间+1、+2、+3这样按列数断行
有相应的PDF,网上搜就可以了。。
总结
加宽行可以增加扫描速度,组合使用rowkey,但这些并不能节省空间
只有合并列、缩短column family名字才能一定程度上缩短空间
垂度爬虫调度库
多个组(如图片组新闻组等)同时进行爬虫处理,并储存到调度库里,HBase定期读取即可
特点
爬虫软件需要根据实时性、优先级等存储调度需要爬取的url
且爬虫需要为不同组维护url列表
基本上是队列特征,先插入的URL要优先爬取。但是也要有可以自定义优先级的功能。而且由于数据量差异大(图片很大),也要合理分配资源。
如垂直业务同时调度、站点抓取速度限速处理、还有时间戳调度处理。
调度库
为不同频道储存host特点及host url列表。
在url里按照hostid与优先级排序
这里符合之前OpenTSDB的特性,不要直接用名字做rowkey,而是用ID(来自host name表)排序
这样就可以有间隔的扫描线程来执行URL
总结:
要充分运用rowkey进行有序排序
要把rowkey融入有用的字段hostid+PID+URLID
不要直接用字符串作为rowkey,而是编码以后(整数)进行扫描,节省空间(因为每个列都要储存rowkey
而且整数化以后就规整化了
文档库
文档库与调度库原理比较相似
文档库,可以存储网页分析以后更加精细化的数据
特点:
数据格式不一样,需要实时读取和写入(还有更新),数据之间存储会有关联(如BLOG的评论和正文之间是有关联的)
技术特点
拆分基础数据和动态数据(两个column family)
基础的基本不会变(网页标题啊内容啊创建时间啊)
动态数据可以实时变化(浏览量啊等等)
这里不再是一个server应对不同组,而是多个server应对多个组,以应对不同组的不同数据精细化要求
关联
银行人民币查询系统
特点:
规模极大,且设备分散(如ATM啊点钞机啊等等),采集系统要求要及时且不能有遗漏
可按照人民币冠字号来看,做HASH值或逆转(因为冠字号可能是连续的,有些连号钞票会储存在一起,无法有效切分数据储存,有时候会造成访问热点,因此需要更改冠字号来做rowkey)
要求
及时可靠,能够快速检索及存储,且扩展性要好
因为涉及到多设备采集输入,所以可以用Flume+HBase解决问题
选择HBase的原因是应用非常简单,只是简单查询而已,用HBase就够了
可以参考Cloudera开源的日志收集系统
总结
HBase常常需要与其他系统结合使用
要尽量避免产生访问热点(尤其要避免直接采用时间作为rowkey),要把连续号打散
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11