数据实时处理方法、装置、介质和电子设备
技术领域
本公开涉及数据处理领域,具体地,涉及一种数据实时处理方法、装置、介质和电子设备。
背景技术
大数据处理领域中,一个典型的场景是做数仓建设以及指标计算,将异构数据源的数据导入到Hive中,实现数据处理和数据同步,以供下游对数据的使用。然而现有技术中,通常是是采用批处理的方式,在将数据全部写入Hive中后,统一生产Hive分区,难以实现数据实时处理。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种数据实时处理方法,所述方法包括:
确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;
针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;
将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;
根据更新后的最小归档时间,生成Hive分区。
第二方面,提供一种数据实时处理装置,所述装置包括:
第一确定模块,用于确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;
第二确定模块,用于针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;
存储模块,用于将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;
生成模块,用于根据更新后的最小归档时间,生成Hive分区
第三方面,提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面,提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第二方面所述方法的步骤。
在上述技术方案中,确定多个数据处理任务对应的最小归档时间,并且针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,从而可以待处理数据存储位置的准确性。同时更新所述多个数据处理任务对应的最小归档时间,并根据更新后的最小归档时间,生成Hive分区。通过上述技术方案,一方面可以实现数据的实时处理,提高数据处理的效率,另一方面,该最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的,在对待处理数据进行存储时,基于当前的多个数据处理任务对应的最小归档时间确定其目标存储位置,则可以在一定程度上保证该待处理数据存储位置的准确性,保证数据处理的有序性。同时,根据更新后的最小归档时间以校验分区数据是否完整,从而可以在数据流处理过程中生成Hive分区,保证数据完整性和数据处理的有效性,从而为下游数仓建设以及指标统计提供支持,也可以有效拓宽数据处理方法的适用范围,提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开的一种实施方式提供的数据实时处理方法的流程图;
图2是根据本公开的一种实施方式提供的确定最小归档时间的示意图;
图3是根据本公开的一种实施方式提供的数据实时处理装置的框图;
图4是适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1所示,为根据本公开的一种实施方式提供的数据实时处理方法的流程图,如图1所示,所述方法包括:
在步骤11中,确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的。
示例地,该方法可以基于Flink框架实现,Flink为流处理框架,则可以支持流处理程序,从而实现数据的实时处理。其中,数据的事件时间表示该数据产生的时间,在本公开中,根据数据的事件时间将数据写到事件时间对应的时段目录下,称为归档。
在步骤12中,针对每一数据处理任务,根据最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录。
其中,在本公开中实施例中,在接收到待处理数据时,与现有技术中直接根据其处理时间对待处理数据进行存储不同,为了在一定程度上保证数据处理的有序性,可以首先确定该待处理数据对应的目标存储位置,避免由于数据延迟、系统故障等造成的数据乱序存储,从而可以将该待处理数据存储至对应的时段目录中。其中,该时段目录对应的时间可以根据实际使用场景进行设置,例如,可以设置5分钟对应于同一时段目录,则可以将12:00-12:05的数据对应于同一时段目录。
在步骤13中,将待处理数据存储至目标存储位置,并更新多个数据处理任务对应的最小归档时间。
其中,在将待处理数据存储至目标存储位置后,即该待处理数据更新为已处理数据,则该多个数据处理任务已处理的数据的事件时间则会发生变化,相应地,则多个数据处理任务对应的最小归档时间可能会发生变化,此时可以对该最小归档时间进行更新,从而可以保证后续待处理数据的目标存储位置确定的准确性。
在步骤14中,根据更新后的最小归档时间,生成Hive分区。
在上述步骤可以对待处理数据进行实时处理,并且可以实时更新多个数据处理任务对应的最小归档时间,从而可以根据更新后的最小归档时间确定Hive分区中的数据是否就绪,即可以实时确定分区数据是否完整,为生成Hive分区提供数据支持。
由此,在上述技术方案中,确定多个数据处理任务对应的最小归档时间,并且针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,从而可以待处理数据存储位置的准确性。同时更新所述多个数据处理任务对应的最小归档时间,并根据更新后的最小归档时间,生成Hive分区。通过上述技术方案,一方面可以实现数据的实时处理,提高数据处理的效率,另一方面,该最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的,在对待处理数据进行存储时,基于当前的多个数据处理任务对应的最小归档时间确定其目标存储位置,则可以在一定程度上保证该待处理数据存储位置的准确性,保证数据处理的有序性。同时,根据更新后的最小归档时间以校验分区数据是否完整,从而可以在数据流处理过程中生成Hive分区,保证数据完整性和数据处理的有效性,从而为下游数仓建设以及指标统计提供支持,也可以有效拓宽数据处理方法的适用范围,提升用户使用体验。
可选地,所述方法还包括:
确定每一所述数据处理任务对应的数据源分区。
其中,每一数据处理任务可以并发读取多个数据源分区(MQ Partition)中的数据。作为示例,可以预先设置该每一数据处理任务对应的数据源分区的对应关系,从而可以根据该对应关系确定数据处理任务对应的数据源分区。作为另一示例,可以通过以下公式进行取余运算确定数据源分区和数据处理任务的映射关系:
taskId=mqPartitionId%totalTaskNumber;
其中,taskId表示数据处理任务的编号标识;
mqPartitionId表示数据源分区的编号标识;
totalTaskNumber表示数据处理任务的总个数。
之后,则可以基于上述映射关系确定数据处理任务对应的数据源分区。
相应地,在步骤11中,确定多个数据处理任务对应的最小归档时间的示例性实现方式如下,该步骤可以包括:
针对每一所述数据处理任务,根据该数据处理任务对应的数据源分区的归档时间,将所述数据源分区的归档时间中最早的归档时间确定为该数据处理任务的归档时间,其中,所述数据源分区的归档时间为所述数据源分区中已处理的数据对应的最晚的事件时间。
其中,每一数据源分区可以通过如下方式更新该数据源分区的归档时间:
在数据传输任务处理该数据源分区中的数据时,该数据源分区中可以记录该数据的事件时间dataEventTime和数据源分区当前的归档时间partitionWatermark,其中,该数据源分区的归档时间初始化为零。
作为示例,可以将该事件时间dataEventTime和数据源分区当前的归档时间partitionWatermark进行比较,若该事件时间晚于所述数据源分区的归档时间,则将该数据源分区的归档时间更新为该事件时间dataEventTime,否则可以保持该数据源分区的归档时间不变。
作为另一示例,在记录该数据的事件时间dataEventTime和数据源分区当前的归档时间partitionWatermark后,可以直接将该数据源分区的归档时间更新为max(partitionWatermark,dataEventTime)。
由此,可以确定出每一数据源分区的归档时间,则针对每一数据处理任务,可以根据确定出的与该数据处理任务对应的每一数据源分区的归档时间,将其中最早的归档时间确定为该数据处理任务的归档时间。
之后,将所述多个数据处理任务的归档时间中最早的归档时间确定为所述多个数据处理任务对应的最小归档时间。
如图2所示,数据处理任务1-4,记为Task1-Task4,其中,Task2对应于3个数据源分区,分别为数据源分区1-3,记为MQ partition 1-MQ partition3,其他Task对应的数据源分区图2中未示出。其中,数据源分区的归档时间记为partitionWatermark,数据处理任务的归档时间记为TaskWatermark。示例地,通过上述步骤,确定出数据源分区1(MQpartition 1)的归档时间partitionWatermark1为14:30,MQ partition 2的归档时间partitionWatermark2为15:40,MQ partition 3的归档时间partitionWatermark3为14:40,则Task2的归档时间TaskWatermark2即为14:30。同样地,可以分别确定出Task1的归档时间TaskWatermark1为14:33,Task3的归档时间TaskWatermark3为14:30,Task4的归档时间TaskWatermark4为14:40,则确定出的最小归档时间即为14:30。
由此,通过上述技术方案,在多个数据处理任务对多个数据源分区中的数据进行并发处理时,确定出多个数据处理任务对应的最小归档时间,从而可以为后续确定待处理数据对应的目标存储位置提供准确的数据支持。同时可以在一定程度上表示出该多个数据处理任务的数据处理进度,便于后续判定数据处理的完整性,提高数据处理的安全性。
示例地,在数仓建设场景中,不可避免会遇到各种上下游故障。申请人研究发现,在故障持续一段时间后恢复时,故障期间的数据会延迟处理。若将故障期间的数据写入到恢复后的该数据的处理时间对应的存储位置,则会出现分区空洞或者数据漂移的问题。基于此,本公开还提供以下实施例。
可选地,在步骤13中,根据最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置的示例性实现方式如下,该步骤可以包括:
在确定所述待处理数据的事件时间满足归档条件的情况下,将所述事件时间对应的存储位置确定为所述目标存储位置;
在确定所述待处理数据的事件时间未满足所述归档条件的情况下,将所述待处理数据的处理时间对应的存储位置确定为所述目标存储位置,其中,处理时间是对该待处理数据进行处理时相应操作机器的系统时间;
其中,所述归档条件为所述待处理数据的事件时间晚于所述最小归档时间,并且所述事件时间晚于所述待处理数据对应的容错归档时间,所述容错归档时间是基于所述待处理数据所属的数据源分区的归档时间确定的。
其中,容错归档时间T可以通过如下方式确定:
T=Partition Watermark-Archive Threshold;
其中,Partition Watermark用于表示待处理数据所属的数据源分区的归档时间,Archive Threshold用于表示一预设的时段,其可以根据实际使用场景进行设置,本公开对此不进行限定。
示例地,Archive Threshold取值为2小时,如图2所示,该待处理数据所属的数据源分区为MQ partition 2,则该待处理数据所属的数据源分区MQ partition 2的归档时间partitionWatermark2为15:40,则该待处理数据对应的容错归档时间为13:40,且最小归档时间为14:30。
若待处理数据的处理时间为15:55,在待处理数据的事件时间为13:00时,由于该事件时间早于最小归档时间,且该事件时间晚于容错归档时间,则该事件时间未满足该归档条件,此时可以将待处理数据的处理时间对应的存储位置确定为所述目标存储位置,则可以将该待处理数据写入15:55对应的存储位置,即15:55对应的时段目录。在待处理数据的事件时间为14:50时,由于该事件时间晚于最小归档时间,且该事件时间晚于容错归档时间,即该事件时间满足该归档条件,此时可以将所述待处理数据的事件时间对应的存储位置确定为所述目标存储位置,则可以将该待处理数据写入14:50对应的存储位置,即14:50对应的时段目录。
由此,通过上述技术方案,在待处理数据出现局部乱序时,如上述示例中在15:55接收到事件时间为14:50的待处理数据时,可以通过上述技术方案,将其存储至其事件时间对应的存储位置,保证数据的有序处理。而在数据实际处理过程中难以做到无限归档,为了避免数据处于长时间等待归档所造成的资源浪费,本公开中通过确定容错归档区间以保证局部范围乱序数据的准确有序处理,以支持局部乱序的的场景,从而在一定程度上保证数据实时处理的准确性和有效性,同时可以保证数据处理的效率。
可选地,在步骤14中,根据更新后的最小归档时间,生成Hive分区的示例性实现方式如下,该步骤可以包括:
在所述更新后的最小归档时间到达与所述更新后的最小归档时间对应的分区生成时间的情况下,根据已存储的数据生成所述Hive分区。
其中,分区生成时间可以根据实际使用场景进行设置,示例地,可以设置每小时的数据生成一个Hive分区,则可以在12:00、13:00、14:00等的数据存储完成后,根据相应时段内的数据生成一个Hive分区。又例如,可以设置每天的数据生成一个Hive分区,则可以设置分区生成时间为每天的8:00,以上仅为示例性说明,不对本公开进行限定。
示例地,与所述更新后的最小归档时间对应的分区生成时间为对应的更新前的最小归档时间之后的第一个分区生成时间,例如,待处理数据存储之前的最小归档时间为14:30,则其之后的第一个分区生成时间为15:00,而在待处理数据存储后,则待会更新最小归档时间,若更新后的最小归档时间到达15:00,才会生成Hive分区,若未到达15:00,则重复上述过程,直至之后的待处理数据存储后所更新的最小归档时间到达15:00。之后,则重新确定出的分区生成时间为16:00,后续过程以此类推,在此不再赘述。
其中,更新后的最小归档时间到达15:00,则表示之后不会再对15:00之前的时段目录中写入数据,即14:00-15:00对应的数据已经存储完整,则可以根据已存储的数据中与该分区生成时间对应的数据,即14:00-15:00对应的数据生成对应的Hive分区,由此,既可以保证生成的Hive分区中的数据完整性,又可以实时生成Hive分区,便于下游对Hive分区中数据的使用。
如上文所述,在将所述待处理数据存储至所述目标存储位置时,可以直接将该待处理数据存储至所述目标存储位置对应的所述时段目录下,如date={date}/hour={hour}。
在另一实施例中,为了提高数据存储的聚合精度,本公开还提供以下实施例。示例地,每一目标存储位置对应的时段目录下包含多个子目录;
所述方法还包括:
根据所述待处理数据的内容特征信息,确定与所述待处理数据对应的目标子目录;
所述将所述待处理数据存储至所述目标存储位置,包括:
将所述待处理数据存储至所述目标存储位置对应的所述时段目录下的所述目标子目录。
作为示例,所述内容特征信息可以用于表征该待处理数据的类型,例如,待处理数据为音频、视频、图像等,如该时段目录下包含4个子目录,其子目录路径分别为:
P1:date={date}/hour={hour}/type=Audio;
P2:date={date}/hour={hour}/type=Video;
P3:date={date}/hour={hour}/type=image;
P4:date={date}/hour={hour}/type=other。
因此,在接收到待处理数据时,可以确定出该待处理数据的类型,从而可以根据该待处理数据的类型确定其对应的目标子目录,示例地,确定出待处理数据的类型为音频,则可以确定出其对应的目标子目录为P1:date={date}/hour={hour}/type=Audio,从而可以对该待处理数据进行存储。又例如,确定出待处理数据的类型为文档类型,则可以确定其对应的目标子目录为P4:date={date}/hour={hour}/type=other,从而对其进行存储。
作为另一示例,所述内容特征信息可以用于表征该待处理数据对应的数据来源APP,例如,待处理数据对应的数据来源APP分别为APP1-APPn,其中,n为数据来源APP的个数,则其子目录路径分别为:
Pi:date={date}/hour={hour}/app=APPi,1≤i≤n。
因此,在接收到待处理数据,则可以确定出该待处理数据的类型,从而可以根据该待处理数据的类型确定其对应的目标子目录,示例地,确定出待处理数据的数据来源APP为APP1,则可以确定出其对应的目标子目录为P1:date={date}/hour={hour}/app=APP1,从而可以对该待处理数据进行存储。又例如,确定出待处理数据的数据来源APP为APP4,则可以确定出其对应的目标子目录为P4:date={date}/hour={hour}/app=APP4,从而可以对该待处理数据进行存储。由此,可以将属于同一时段内相同的APP数据存储在同一个子目录分区下。其中,每一数据处理任务都可以访问该时段目录下的每一子目录。
需要进行说明的是,上文所述仅为示例性说明,不对本公开进行限定,其中子目录设置的个数和类型可以根据具体使用场景进行设置。
由此,通过上文所述技术方案,可以实现动态分区存储,从而可以提高数据处理的精度,为后续基础存储的数据进行分析处理提供准确的数据支持。同时可以提高数据处理的多样性,以适用于不同的应用场景,进一步提高数据实时处理方法的适用范围,提升用户使用体验。
可选地,所述方法还可以包括:
每间隔预设时间,获取每一数据处理任务所使用的每一文件句柄的最后访问时间。
其中,该预设时间可以根据实际的使用场景进行设置,本公开对此不进行限定。在文件I/O中,要从一个文件读取数据,应用程序首先要调用操作系统函数并传送文件名,并选一个到该文件的路径来打开文件。该函数取回一个顺序号,即文件句柄(file handle),该文件句柄对于打开的文件是唯一的识别依据。因此,针对每一数据处理任务,其使用的每一文件句柄可以通过获得其打开的每一文件的文件句柄获取,之后,获取每一文件句柄的最后访问时间。示例地,可以通过Flink中的TimeService方法得到文件句柄的最后访问时间。
之后,在所述文件句柄的最后访问时间距离当前处理时间的时间差超过时间阈值时,释放所述文件句柄。
在所述文件句柄的最后访问时间距离当前处理时间的时间差超过时间阈值时,表示该文件句柄已经长时间没有被访问,即之后再次访问该文件句柄对应的文件的可能性比较小,此时可以释放所述文件句柄,从而可以有效减少数据处理任务同时处理的文件句柄的数量,也可以在一定程度上保证数据处理任务的文件句柄的有效性,从而保证数据写入访问的安全性和效率。并且,可以有效降低数据处理任务同时处理的文件句柄过多时,出现内存溢出OOM的风险。
本公开还提供一种数据实时处理装置,如图3所示,所述装置100包括:
第一确定模块101,用于确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;
第二确定模块102,用于针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;
存储模块103,用于将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;
生成模块104,用于根据更新后的最小归档时间,生成Hive分区。
可选地,所述装置还包括:
第三确定模块,用于确定每一所述数据处理任务对应的数据源分区;
所述第一确定模块包括:
第一确定子模块,用于针对每一所述数据处理任务,根据该数据处理任务对应的数据源分区的归档时间,将所述数据源分区的归档时间中最早的归档时间确定为该数据处理任务的归档时间,其中,所述数据源分区的归档时间为所述数据源分区中已处理的数据对应的最晚的事件时间;
第二确定子模块,用于将所述多个数据处理任务的归档时间中最早的归档时间确定为所述多个数据处理任务对应的最小归档时间。
可选地,所述第二确定模块包括:
第三确定子模块,用于在确定所述待处理数据的事件时间满足归档条件的情况下,将所述事件时间对应的存储位置确定为所述目标存储位置;
第四确定子模块,用于在确定所述待处理数据的事件时间未满足所述归档条件的情况下,将所述待处理数据的处理时间对应的存储位置确定为所述目标存储位置;
其中,所述归档条件为所述待处理数据的事件时间晚于所述最小归档时间,并且所述事件时间晚于所述待处理数据对应的容错归档时间,所述容错归档时间是基于所述待处理数据所属的数据源分区的归档时间确定的。
可选地,所述生成模块包括:
生成子模块,用于在所述更新后的最小归档时间到达与所述更新后的最小归档时间对应的分区生成时间的情况下,根据已存储的数据生成所述Hive分区。
可选地,每一目标存储位置对应的时段目录下包含多个子目录;
所述装置还包括:
第四确定模块,用于根据所述待处理数据的内容特征信息,确定与所述待处理数据对应的目标子目录;
所述存储模块包括:
存储子模块,用于将所述待处理数据存储至所述目标存储位置对应的所述时段目录下的所述目标子目录。
可选地,所述装置还包括:
获取模块,用于每间隔预设时间,获取每一数据处理任务所使用的每一文件句柄的最后访问时间;
释放模块,用于在所述文件句柄的最后访问时间距离当前处理时间的时间差超过时间阈值时,释放所述文件句柄。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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该电子设备执行时,使得该电子设备:确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;根据更新后的最小归档时间,生成Hive分区。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开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。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一确定模块还可以被描述为“确定多个数据处理任务对应的最小归档时间的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种数据实时处理方法,其中,所述方法包括:
确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;
针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;
将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;
根据更新后的最小归档时间,生成Hive分区。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,其中,所述方法还包括:
确定每一所述数据处理任务对应的数据源分区;
所述确定多个数据处理任务对应的最小归档时间,包括:
针对每一所述数据处理任务,根据该数据处理任务对应的数据源分区的归档时间,将所述数据源分区的归档时间中最早的归档时间确定为该数据处理任务的归档时间,其中,所述数据源分区的归档时间为所述数据源分区中已处理的数据对应的最晚的事件时间;
将所述多个数据处理任务的归档时间中最早的归档时间确定为所述多个数据处理任务对应的最小归档时间。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,其中,所述根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,包括:
在确定所述待处理数据的事件时间满足归档条件的情况下,将所述事件时间对应的存储位置确定为所述目标存储位置;
在确定所述待处理数据的事件时间未满足所述归档条件的情况下,将所述待处理数据的处理时间对应的存储位置确定为所述目标存储位置;
其中,所述归档条件为所述待处理数据的事件时间晚于所述最小归档时间,并且所述事件时间晚于所述待处理数据对应的容错归档时间,所述容错归档时间是基于所述待处理数据所属的数据源分区的归档时间确定的。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,其中,所述根据更新后的最小归档时间,生成Hive分区,包括:
在所述更新后的最小归档时间到达与所述更新后的最小归档时间对应的分区生成时间的情况下,根据已存储的数据生成所述Hive分区。
根据本公开的一个或多个实施例,示例5提供了示例1-示例4中任一示例的方法,其中,每一目标存储位置对应的时段目录下包含多个子目录;
所述方法还包括:
根据所述待处理数据的内容特征信息,确定与所述待处理数据对应的目标子目录;
所述将所述待处理数据存储至所述目标存储位置,包括:
将所述待处理数据存储至所述目标存储位置对应的所述时段目录下的所述目标子目录。
根据本公开的一个或多个实施例,示例6提供了示例1-示例4中任一示例的方法,其中,所述方法还包括:
每间隔预设时间,获取每一数据处理任务所使用的每一文件句柄的最后访问时间;
在所述文件句柄的最后访问时间距离当前处理时间的时间差超过时间阈值时,释放所述文件句柄。
根据本公开的一个或多个实施例,示例7提供了一种数据实时处理装置,其中,所述装置包括:
第一确定模块,用于确定多个数据处理任务对应的最小归档时间,其中,所述最小归档时间是基于所述多个数据处理任务已处理的数据的事件时间确定的;
第二确定模块,用于针对每一所述数据处理任务,根据所述最小归档时间,确定该数据处理任务接收到的待处理数据的目标存储位置,所述目标存储位置用于指示所述待处理数据对应的时段目录;
存储模块,用于将所述待处理数据存储至所述目标存储位置,并更新所述多个数据处理任务对应的最小归档时间;
生成模块,用于根据更新后的最小归档时间,生成Hive分区。
根据本公开的一个或多个实施例,示例8提供了示例7的装置,其中,所述装置还包括:
第三确定模块,用于确定每一所述数据处理任务对应的数据源分区;
所述第一确定模块包括:
第一确定子模块,用于针对每一所述数据处理任务,根据该数据处理任务对应的数据源分区的归档时间,将所述数据源分区的归档时间中最早的归档时间确定为该数据处理任务的归档时间,其中,所述数据源分区的归档时间为所述数据源分区中已处理的数据对应的最晚的事件时间;
第二确定子模块,用于将所述多个数据处理任务的归档时间中最早的归档时间确定为所述多个数据处理任务对应的最小归档时间。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理装置执行时实现示例1-示例6中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,其中,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-示例6中任一示例所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。