CN107665241B - 一种实时数据多维度去重方法和装置 - Google Patents
一种实时数据多维度去重方法和装置 Download PDFInfo
- Publication number
- CN107665241B CN107665241B CN201710800485.6A CN201710800485A CN107665241B CN 107665241 B CN107665241 B CN 107665241B CN 201710800485 A CN201710800485 A CN 201710800485A CN 107665241 B CN107665241 B CN 107665241B
- Authority
- CN
- China
- Prior art keywords
- real
- dimension
- data stream
- time
- deduplication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了实时数据多维度去重方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:建立storm服务器集群中运行的topology,以获取实时多维度数据流;通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。该实施方式能够解决去重过程对集群资源占用大、数据汇总延时的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种实时数据多维度去重方法和装置。
背景技术
目前,在大数据分析中,经常会遇到对某字段数据去重统计的情况。如果在去重字段值相同的情况下,其他维度字段出现不同值的时候,则需要分别按不同维度进行去重计算。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有方法使用hive工具通过mapreduce方法对大数据进行去重统计,可以同时计算不同维度的去重值,但需要的统计时间比较长,并且占用hadoop(开源大数据处理工具)系统资源。如果使用内存数据库进行计算,时间可以缩短但会占用更多宝贵的内存资源,并且数据只能分时段统计无法做到实时查询。
发明内容
有鉴于此,本发明实施例提供一种实时数据多维度去重方法和装置,能够解决去重过程对集群资源占用大、数据汇总延时的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种实时数据多维度去重方法,包括建立storm服务器集群中运行的topology,以获取实时多维度数据流;通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。
可选地,所述获取实时数据流之前,包括:通过spout节点读取输入实时多维度数据流的kafka。
可选地,所述对具有相同ID的实时多维度数据流的每个维度进行去重处理,包括:对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理。
可选地,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
可选地,所述对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理,包括:在bolt节点中添加bloomfilter pool;根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在;根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
可选地,还包括:将去重后的数据流写入到输出实时多维度数据流的kafka中;接收数据流维度统计请求;读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和。
另外,根据本发明实施例的一个方面,提供了一种实时数据多维度去重装置,包括创建模块,用于建立storm服务器集群中运行的topology;获取模块,用于获取实时多维度数据流;去重模块,用于通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。
可选地,所述获取模块获取实时多维度数据流之前,还用于:通过spout节点读取输入实时多维度数据流的kafka。
可选地,所述去重模块对具有相同ID的实时多维度数据流的每个维度进行去重处理,包括:对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理。
可选地,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
可选地,所述对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理,包括:在bolt节点中添加bloomfilter pool;根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在;根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
可选地,所述去重模块,还用于:将去重后的数据流写入到输出实时多维度数据流的kafka中;接收数据流维度统计请求;读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用在storm服务器集群中运行topology而获取实时多维度数据流,并且对具有相同ID的实时多维度数据流的每个维度进行去重处理的技术手段,所以克服了去重过程对集群资源占用大、数据汇总延时的技术问题,进而达到在实时流中进行去重处理,且实现了去重过程对集群资源占用很小的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的实时数据多维度去重方法的主要流程的示意图;
图2是根据本发明可参考实施例的实时数据多维度去重方法的主要流程的示意图;
图3是根据本发明实施例的实时数据多维度去重装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的实时数据多维度去重方法,如图1所示,所述实时数据多维度去重方法包括:
步骤S101,建立storm服务器集群中运行的topology。
其中,所述的storm为开源实时流的处理工具,可译为流式大数据处理服务框架。topology为一套实时流处理的拓扑,可译为数据流拓扑或数据流定义。在实施例中,topology为storm的实时流任务,topology包括spout节点和bolt节点。而spout节点是topology中读取数据的接入节点,bolt节点是topology中处理和输出数据的节点。
步骤S102,获取实时多维度数据流。
在实施例中,所述获取实时多维度数据流可以通过spout节点读取输入实时多维度数据流的kafka。其中,Kafka是一种高吞吐量的分布式发布订阅消息系统。进一步地,所述的输入实时多维度数据流的kafka可以为多路。
其中,所述的维度主要是一些在统计数据中的非统计项,例如:男/女,年龄分段,地域等等字段。
步骤S103,通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。
作为实施例,所述对具有相同ID的实时多维度数据流的每个维度进行去重处理的具体实施过程可以包括:
首先,spout节点将具有相同ID的实时多维度数据流分发到同一个bolt节点上。然后,对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理。较佳地,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
进一步地,所述对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理的实施过程可以为:在bolt节点中添加bloomfilter pool,然后根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在。最后,根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
优选地,去重key可以为ID。例如,表1中所示的输出实时多维度数据流的kafka中的数据流。
表1:去重后各维度数据保存
ID | W_A | W_B | W_C | W_D | ALL_d | W_A_d | W_B_d | W_C_d | W_D_d |
98 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
98 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 |
98 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 |
98 | 2 | 1 | 1 | 1 | 0 | 1 | 0 | 0 | 0 |
98 | 2 | 1 | 1 | 2 | 0 | 0 | 0 | 0 | 1 |
98 | 2 | 1 | 2 | 2 | 0 | 0 | 0 | 1 | 0 |
98 | 2 | 1 | 1 | 2 | 0 | 0 | 0 | 0 | 0 |
54 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 |
54 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 1 |
54 | 1 | 1 | 2 | 1 | 0 | 0 | 0 | 1 | 0 |
54 | 1 | 2 | 3 | 1 | 0 | 0 | 1 | 1 | 0 |
54 | 1 | 2 | 2 | 1 | 0 | 0 | 0 | 0 | 0 |
54 | 2 | 2 | 1 | 1 | 0 | 1 | 0 | 0 | 0 |
54 | 2 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 |
其中,ALL_d代表基于ID的去重值,W_A_d、W_B_d、W_C_d和W_D_d分别代表基于W_A、W_B、W_C和W_D与去重key ID组合后的去重值。同时,W_A、W_B、W_C和W_D中的数值分别代表的是该维度的属性值,而W_A_d、W_B_d、W_C_d和W_D_d中的数值分别代表的是该维度的属性值和ID的组合是否为第一次出现,如果是第一次出现则该维度去重后的数值为1,否则为0。例如:表1中第一条数据流维度W_A的属性值为1,其ID为98,那么经过去重处理之后,W_A_d的数值为1(因为在此时的输出实时多维度数据流的kafka中ID为98且W_A的属性值为1的这是第一次出现)。
作为另一个实施例,在进行完步骤S103之后,还可以将去重后的实时多维度数据流写入到输出实时多维度数据流的kafka中。然后,根据接收的数据流维度统计请求,读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和。例如:接收的数据流维度统计请求为计算上述表1中W_A_d的去重结果,那么将W_A_d该维度列表中的数值相加,得到4。
较佳地,输出实时多维度数据流的kafka可以为单路。
进一步地,当查询输出实时多维度数据流的kafka中的数据流任何一个维度字段时,使用该维度字段相应的去重维度字段的数值之和。当数据流维度统计请求中没有指出具体哪个维度字段时,则默认为ID维度字段,然后计算ID维度字段相应的去重维度字段的数值之和。
根据上面所述的各种实施例,可以看出本发明通过使用bloomfilter去重的方式,减少了对hadoop集群资源的占用,使复杂的去重计算变为了简单的加和计算。与此同时,通过使用实时多维度数据流计算,实现了汇总数据的实时查询。也就是说,现有技术是收集到所有数据之后进行去重处理,而本发明在获取实时多维度数据的时候就进行了去重处理,当收集到所有数据的同时也完成了去重的处理。
图2是根据本发明可参考实施例的实时数据多维度去重方法的主要流程的示意图,所述实时数据多维度去重方法可以包括:
步骤S201,建立storm服务器集群中运行的topology。其中,topology包括spout节点和bolt节点。
步骤S202,通过spout节点读取输入实时多维度数据流的kafka。其中,Kafka是一种高吞吐量的分布式发布订阅消息系统。
在实施例中,输入实时多维度数据流的kafka可以为多路。
步骤S203,spout节点将具有相同ID的实时多维度数据流分发到同一个bolt节点上。
较佳地,spout节点采用fieldGrouping方法把具有相同ID的实时数据流分发到同一个bolt节点上。
步骤S204,对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理。
较佳地,由于需要去重的数据在数据流中出现的时间可能不同,并且bloomfilter计算时需要的容器所能处理的数据个数有上限,因此需要根据数据量来计算每个bloomfilter对象内存空间大小,以及对象的过期时间。可以使用bloomfilter pool(bloomfilter对象池)来管理生成和销毁bloomfilter对象。具体的实施过程包括:
在bolt节点中添加bloomfilter pool,根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在,若已经存在则该维度去重后的数值为0,否则该维度去重后的数值为1。
另外,bloomfilter对象内存空间大小的定义需要考虑两点:第一,所有相同ID数据产生可能占用的最长时间。第二,在单位时间范围内可能产生的不同ID的最大数据量。根据以上两点可以计算出bloomfilter对象的生存期和需要保存的数据量。从而,使用下面bloomfilter的错误率公式计算出需要的内存空间,也就是说决定了需要使用多少的内存能够达到可接受的错误率:
其中,常数e的获得可以通过下式计算获得:
步骤S205,将去重后的数据流写入到输出实时多维度数据流的kafka中。其中,输出实时多维度数据流的kafka可以为单路。
步骤S206,接收数据流维度统计请求。
步骤S207,读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和。
作为实施例,当查询输出实时多维度数据流的kafka中的数据流任何一个维度字段时,使用该维度字段相应的去重维度字段的数值之和。较佳地,当数据流维度统计请求中没有指出具体哪个维度字段时,则默认为ID维度字段,然后计算ID维度字段相应的去重维度字段的数值之和。
另外,在本发明可参考实施例中所述实时数据多维度去重方法的具体实施内容,在上面所述实时数据多维度去重方法中已经详细说明了,故在此重复内容不再说明。
图3是根据本发明实施例的实时数据多维度去重装置,如图3所示,所述实时数据多维度去重装置300包括创建模块301、获取模块302以及去重模块303。其中,创建模块301建立storm服务器集群中运行的topology,然后获取模块302可以获取实时多维度数据流。最后,去重模块303便通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。
进一步地,所述获取模块302获取实时多维度数据流可以通过spout节点读取输入实时多维度数据流的kafka。优选地,所述的输入实时多维度数据流的kafka可以为多路。
在另一个实施例中,所述去重模块303对具有相同ID的实时多维度数据流的每个维度进行去重处理的具体实施过程可以包括:
首先,spout节点将具有相同ID的实时多维度数据流分发到同一个bolt节点上。然后,对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理。较佳地,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
进一步地,所述对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理的实施过程可以为:在bolt节点中添加bloomfilter pool,然后根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在。最后,根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
作为另一个较佳地实施例,所述去重模块303在对具有相同ID的实时多维度数据流的每个维度进行去重处理之后,还可以将去重后的实时多维度数据流写入到输出实时多维度数据流的kafka中。然后,根据接收的数据流维度统计请求,读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和。较佳地,输出实时多维度数据流的kafka可以为单路。
进一步地,当查询输出实时多维度数据流的kafka中的数据流任何一个维度字段时,使用该维度字段相应的去重维度字段的数值之和。当数据流维度统计请求中没有指出具体哪个维度字段时,则默认为ID维度字段,然后计算ID维度字段相应的去重维度字段的数值之和。
需要说明的是,在本发明所述实时数据多维度去重装置的具体实施内容,在上面所述实时数据多维度去重方法中已经详细说明了,故在此重复内容不再说明。
图4示出了可以应用本发明实施例的实时数据多维度去重方法或实时数据多维度去重装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的实时数据多维度去重方法一般由服务器405执行,也可以在公共场所的终端设备401、402、403上执行,相应地,实时数据多维度去重装置一般设置于服务器405中,也可以在公共场所的终端设备401、402、403上执行。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括创建模块、获取模块和去重模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:建立storm服务器集群中运行的topology,以获取实时多维度数据流;通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理。
根据本发明实施例的技术方案,能够采用在storm服务器集群中运行topology而获取实时多维度数据流,并且对具有相同ID的实时多维度数据流的每个维度进行去重处理的技术手段,所以克服了去重过程对集群资源占用大、数据汇总延时的技术问题,进而达到在实时流中进行去重处理,且实现了去重过程对集群资源占用很小的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种实时数据多维度去重方法,其特征在于,包括:
建立storm服务器集群中运行的topology,以获取实时多维度数据流;
通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理;
将去重后的数据流写入到输出实时多维度数据流的kafka中;
接收数据流维度统计请求;
读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和;
其中,所述对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理,包括:
在bolt节点中添加bloomfilter pool;
根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在;
根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
2.根据权利要求1所述的方法,其特征在于,所述获取实时多维度数据流之前,包括:
通过spout节点读取输入实时多维度数据流的kafka。
3.根据权利要求1所述的方法,其特征在于,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
4.一种实时数据多维度去重装置,其特征在于,包括:
创建模块,用于建立storm服务器集群中运行的topology;
获取模块,用于获取实时多维度数据流;
去重模块,用于通过所述topology中的spout节点将具有相同ID的实时多维度数据流分发到同一个所述topology中的bolt节点上,以对具有相同ID的实时多维度数据流的每个维度进行去重处理;
所述去重模块,还用于:
将去重后的数据流写入到输出实时多维度数据流的kafka中;
接收数据流维度统计请求;
读取输出实时多维度数据流的kafka中的数据流,计算所述数据流维度统计请求中请求的维度字段相应的去重维度字段的数值和;
其中,所述去重模块对bolt节点中的实时多维度数据流的每个维度采用bloomfilter方法进行去重处理,包括:
在bolt节点中添加bloomfilter pool;
根据不同的时间段创建bloomfilter对象,对于每一个需要去重的维度使用去重key分别在bloomfilter对象中轮询查找是否key已存在;
根据查找结果,若已经存在则所述维度去重后的数值为0,否则所述维度去重后的数值为1。
5.根据权利要求4所述的装置,其特征在于,所述获取模块获取实时多维度数据流之前,还用于:
通过spout节点读取输入实时多维度数据流的kafka。
6.根据权利要求4所述的装置,其特征在于,所述spout节点采用fieldGrouping方法把具有相同ID的实时多维度数据流分发到同一个bolt节点上。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800485.6A CN107665241B (zh) | 2017-09-07 | 2017-09-07 | 一种实时数据多维度去重方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800485.6A CN107665241B (zh) | 2017-09-07 | 2017-09-07 | 一种实时数据多维度去重方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107665241A CN107665241A (zh) | 2018-02-06 |
CN107665241B true CN107665241B (zh) | 2020-09-29 |
Family
ID=61097293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710800485.6A Active CN107665241B (zh) | 2017-09-07 | 2017-09-07 | 一种实时数据多维度去重方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665241B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569263B (zh) * | 2019-08-27 | 2022-11-22 | 苏宁云计算有限公司 | 实时数据去重计数方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866358A (zh) * | 2010-06-12 | 2010-10-20 | 中国科学院计算技术研究所 | 一种多维区间查询方法及系统 |
CN103036697A (zh) * | 2011-10-08 | 2013-04-10 | 阿里巴巴集团控股有限公司 | 一种多维度数据去重方法及系统 |
CN103942197A (zh) * | 2013-01-17 | 2014-07-23 | 阿里巴巴集团控股有限公司 | 数据监控处理方法及设备 |
CN104487951A (zh) * | 2012-05-15 | 2015-04-01 | 日本电气株式会社 | 分布式数据管理设备和分布式数据操作设备 |
CN105069111A (zh) * | 2015-08-10 | 2015-11-18 | 广东工业大学 | 云存储中基于相似性的数据块级数据去重方法 |
CN106293892A (zh) * | 2015-06-26 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 分布式流计算系统、方法和装置 |
CN106445790A (zh) * | 2016-10-12 | 2017-02-22 | 北京集奥聚合科技有限公司 | 一种分布式实时计算系统中计数对账的方法及装置 |
-
2017
- 2017-09-07 CN CN201710800485.6A patent/CN107665241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866358A (zh) * | 2010-06-12 | 2010-10-20 | 中国科学院计算技术研究所 | 一种多维区间查询方法及系统 |
CN103036697A (zh) * | 2011-10-08 | 2013-04-10 | 阿里巴巴集团控股有限公司 | 一种多维度数据去重方法及系统 |
CN104487951A (zh) * | 2012-05-15 | 2015-04-01 | 日本电气株式会社 | 分布式数据管理设备和分布式数据操作设备 |
CN103942197A (zh) * | 2013-01-17 | 2014-07-23 | 阿里巴巴集团控股有限公司 | 数据监控处理方法及设备 |
CN106293892A (zh) * | 2015-06-26 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 分布式流计算系统、方法和装置 |
CN105069111A (zh) * | 2015-08-10 | 2015-11-18 | 广东工业大学 | 云存储中基于相似性的数据块级数据去重方法 |
CN106445790A (zh) * | 2016-10-12 | 2017-02-22 | 北京集奥聚合科技有限公司 | 一种分布式实时计算系统中计数对账的方法及装置 |
Non-Patent Citations (1)
Title |
---|
storm关于fieldsgrouping的理解;JDK8;《https://blog.csdn.net/wangshijie1234567/article/details/48315605》;20150909;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107665241A (zh) | 2018-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11979433B2 (en) | Highly scalable four-dimensional web-rendering geospatial data system for simulated worlds | |
CN109413127B (zh) | 一种数据同步方法和装置 | |
CN107729399B (zh) | 数据处理的方法和装置 | |
CN109063196B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
JP7313382B2 (ja) | 分散システムの頻繁パターン分析 | |
CN110858194A (zh) | 一种数据库扩容的方法和装置 | |
CN111858760B (zh) | 一种异构数据库的数据处理方法及装置 | |
CN110795315A (zh) | 监控业务的方法和装置 | |
CN111221851A (zh) | 一种基于Lucene的海量数据查询、存储的方法和装置 | |
CN112925859A (zh) | 数据存储方法和装置 | |
CN109947736B (zh) | 实时计算的方法和系统 | |
CN113190558A (zh) | 一种数据加工方法和系统 | |
CN107665241B (zh) | 一种实时数据多维度去重方法和装置 | |
CN109144991B (zh) | 动态分表的方法、装置、电子设备和计算机可存储介质 | |
CN107679096B (zh) | 数据集市间指标共享的方法和装置 | |
CN108694205B (zh) | 匹配目标字段的方法、装置 | |
CN112073395B (zh) | 一种文件分发方法和装置 | |
CN113495891B (zh) | 一种数据处理方法和装置 | |
CN113590322A (zh) | 一种数据处理方法和装置 | |
CN112988857A (zh) | 一种业务数据的处理方法和装置 | |
CN110019671B (zh) | 一种处理实时消息的方法和系统 | |
CN113282456A (zh) | 一种数据处理方法和装置 | |
CN113742321A (zh) | 一种数据更新的方法和装置 | |
CN113448957A (zh) | 一种数据查询方法和装置 | |
CN112783914A (zh) | 优化语句的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |