CN112783924A - 一种脏数据识别方法、装置和系统 - Google Patents
一种脏数据识别方法、装置和系统 Download PDFInfo
- Publication number
- CN112783924A CN112783924A CN201911081473.8A CN201911081473A CN112783924A CN 112783924 A CN112783924 A CN 112783924A CN 201911081473 A CN201911081473 A CN 201911081473A CN 112783924 A CN112783924 A CN 112783924A
- Authority
- CN
- China
- Prior art keywords
- data
- operator
- label
- same
- dirty
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种脏数据识别方法、装置和系统,涉及计算机技术领域。该方法的一具体实施方式包括:接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方。该实施方式能够解决无法准确识别脏数据的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种脏数据识别方法、装置和系统。
背景技术
在分布式实时数据处理过程中,数据到达计算算子的先后顺序可能会与事件发生的顺序有差异,正确处理这些差异造成的脏数据问题在实时应用中至关重要。
为了能区分数据发生的先后顺序,目前主要采用的方式是在数据中加入时间戳标签或者全局计数标签,通过比较标签的大小来区分数据的先后顺序。使用时间标签区分消息先后,需要给数据加入一个时间戳标签,处理数据时,通过对比时间戳确定消息先后顺序。使用全局计数标签区分消息先后,通过设计一个全局计数器,给每个数据加入计数标签,通过对比计算标签大小确定消息先后顺序。
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:
1)使用时间标签区分消息先后:在分布式环境下,不同机器的本地时间会存在差异,维护全局一致的时间比较困难,很容易成为处理瓶颈。尤其是在高并发的情况下,可能会出现两条数据的时间戳一样的情况。
2)使用一个全局计数标签区分消息先后:为了保证计数的准确性,计数器的构建、设计模式采取“单例模式”,在分布式环境下难以支持高并发的情况。
因此,在分布式实时流处理过程中,数据到达的先后顺序不能保障,晚于后生成的数据到达算子的数据被称为脏数据。如果不能准确识别脏数据,就会发生脏数据覆盖正确数据的情况。
发明内容
有鉴于此,本发明实施例提供一种脏数据识别方法、装置和系统,以解决无法准确识别脏数据的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种脏数据识别方法,包括:
接收或者生产数据,将业务主键相同的数据分发到同一个算子中;
在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;
将加入标签后的所述数据下发至消费方。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别方法,包括:
接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;
在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据,包括:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别装置,包括:
第一分发模块,用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;
标签模块,用于在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;
下发模块,用于将加入标签后的所述数据下发至消费方。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别装置,包括:
第二分发模块,用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;
识别模块,用于在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据,包括:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别方法,包括:
生产方接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
可选地,所述识别模块还用于:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别系统,包括:
生产方,用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方,用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
所述消费方还用于:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
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:因为采用将业务主键相同的数据分发到同一个算子中,当算子处理数据时采用自增方式生成标签并将标签加入到数据中的技术手段,所以克服了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中采用自增方式生成标签,不只可以保证同一个算子上的标签自增长,还可以保证不同算子计算出来的标签不重复。因此,在分布式实时框架不能保证数据到达顺序的情况下,本发明实施例能够保证脏数据可以被准确地识别出来,同时支持分布式、高并发和大数据量的情况。
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是实现本发明实施例的脏数据识别方法的系统结构图;
图2是根据本发明一个实施例的脏数据识别方法的主要流程的示意图;
图3是根据本发明实施例的标签的组成示意图;
图4是根据本发明另一个实施例的脏数据识别方法的主要流程的示意图;
图5是根据本发明一个实施例的脏数据识别装置的主要模块的示意图;
图6是根据本发明另一个实施例的脏数据识别装置的主要模块的示意图;
图7是本发明实施例可以应用于其中的示例性系统架构图;
图8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是实现本发明实施例的脏数据识别方法的系统结构图。如图1所示,该系统包括生成方和消费方,所述生产方根据主键将数据分流,保证同一业务主键(key)的数据进入同一个算子(如图1中实线框所示)中,并对发出的数据加入标签(mid),所述标签保证同一个算子中以自增方式生成,同时保证不同算子计算出来的标签不重复。所述生产方将加入标签的数据下发至消费方的消息列队,所述消费方接收生产方下发的数据,也按照业务主键将数据分流,保证同一业务主键的数据进入同一个算子中,然后按照业务主键对比标签大小,从而识别出脏数据。
因此,在分布式实时框架不能保证数据到达顺序的情况下,本发明实施例能够保证脏数据可以被准确地识别出来,同时支持分布式、高并发和大数据量的情况。
图2是根据本发明一个实施例的脏数据识别方法的主要流程的示意图。作为本发明的一个实施例,如图2所示,所述脏数据识别方法应用于生产方,可以包括:
步骤201,接收或者生产数据,将业务主键相同的数据分发到同一个算子中。
首先,生产方根据数据的业务主键将数据分流,将业务主键相同的数据分发到同一个算子中。因此每一个算子只处理业务主键相同的数据。
需要指出的是,生产方的数据可以自己生产或者接入其他生产方的数据。若接入其他生产方的数据,则需要按照业务主键(key)对数据进行分流,保证同一业务主键的数据分发到同一算子中。如果是自己生产,则将业务主键相同的数据分发到同一个算子中,也可以直接加入标签。
在数据处理流程中通过key来分发数据,确保同一key的数据分发到同一个算子中。通过key来分发数据是为了避免分布式时环境中,同一key的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。
步骤202,在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中。
由于步骤201中将业务主键相同的数据分发到了同一个算子中,因此,每一个算子只处理业务主键相同的数据,算子一般用于清洗数据格式等,并在处理数据的过程中生成标签(mid),将该标签加入到数据中。所述标签采用自增方式生成,不只要保证同一个算子上的标签自增长,还要保证不同算子计算出来的标签不重复。
可选地,所述标签包括生成标签时的时间戳和自增序列。其中,所述自增序列基于所述算子的编号和算子的总数量生成。在本发明的实施例中,所述标签为不重复的序列码,在同一个算子中,后生成的标签总是大于先生成的标签,这样同样主键的数据就可以根据标签的大小判断数据生成的先后顺序。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
为了能够保证标签(mid)的易用性,并且每个算子上生成的mid都是自增,可选地,本发明实施例设计mid由64位整型(对应java语言中对应long类型)组成。如图3所示,可选地,mid由三部分组成:第1位是0(保证始终为正数);第2-42位是一个41位的“时间戳”(毫秒时间戳的第24位到64位);第43-64位是自增序列SN(初始值为算子编号,步长为算子的总数量)。
可选地,SN的计算过程如下:
程序初始化时,获取算子的总数量N(即并行度)和处理该数据的算子的编号m(m∈[0,N-1])。在同一毫秒内,以m作为该算子的初始值,N作为步长。
例如,编号为m的算子的SN依次为:m,m+N,m+2N…。
由于SN由22位组成,那么SN小于4194303(即222-1),在同一毫秒内理论上每个算子可以产生4194303/N个SN。当算子当前毫秒的SN用完后,则等待下一毫秒再生成SN。
需要指出的是,如果当前毫秒的SN最大值不足以生成某一批数据的mid,则等待1毫秒或者2毫秒之后,重新按照mid的生成方法生产mid。SN仍然是从m开始自增,但SN前面的时间戳数据已经发生变更(即时间戳的第24-64位),因此mid也会不一样。
可见,本发明实施例设计的mid在只占用64bit大小的情况下,可以保证标签全局自增、不重复,并且支持分布式环境下并发生成。
步骤203,将加入标签后的所述数据下发至消费方。
mid作为数据的一部分进行存储,生产方将携带了mid的数据分发至消费方的消息队列,消费方可以基于mid判断是否为脏数据。
根据上面所述的各种实施例,可以看出本发明通过将业务主键相同的数据分发到同一个算子中,当算子处理数据时采用自增方式生成标签并将标签加入到数据中的技术手段,从而解决了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中采用自增方式生成标签,不只可以保证同一个算子上的标签自增长,还可以保证不同算子计算出来的标签不重复。因此,在分布式实时框架不能保证数据到达顺序的情况下,本发明实施例能够保证脏数据可以被准确地识别出来,同时支持分布式、高并发和大数据量的情况。
图4是根据本发明另一个实施例的脏数据识别方法的主要流程的示意图。作为本发明的另一个实施例,如图4所示,所述脏数据识别方法应用于消费方,可以包括:
步骤401,接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中。
在本发明实例中,消费方也需要按照业务主键对数据进行分流,确保同一业务主键的数据在同一算子中处理。因此每一个算子只处理业务主键相同的数据。
在数据处理流程中通过key来分发数据,确保同一key的数据分发到同一个算子中。通过key来分发数据是为了避免分布式时环境中,同一key的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。
步骤402,在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
数据到达算子后,算子在处理数据之前,通过对比key和mid判断该数据是否为脏数据。可选地,步骤402包括:在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;若是,则认定所述数据为脏数据。
为了能区分脏数据,需要对比mid,所以需要存取算子中已有数据的最后一次更新的mid_last。在处理数据前,先对key进行判断,若key之前未出现过,则认定为新数据;若key出现过,则对比此次mid_now和最后一次更新的mid_last的值,若mid_now<mid_last则认定为脏数据。因此,按照主键对比mid,丢弃mid值较小的数据(脏数据)。
根据上面所述的各种实施例,可以看出本发明通过将业务主键相同的数据分发到同一个算子中,基于数据的业务主键和标签识别算子中的脏数据的技术手段,从而解决了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中基于数据的业务主键和标签识别算子中的脏数据,从而能够准确地识别出脏数据。
图5是根据本发明一个实施例的脏数据识别装置的主要模块的示意图,如图5所示,所述脏数据识别装置500包括第一分发模块501、标签模块502和下发模块503。其中,第一分发模块501用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;标签模块502用于在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;下发模块503用于将加入标签后的所述数据下发至消费方。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
根据上面所述的各种实施例,可以看出本发明通过将业务主键相同的数据分发到同一个算子中,当算子处理数据时采用自增方式生成标签并将标签加入到数据中的技术手段,从而解决了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中采用自增方式生成标签,不只可以保证同一个算子上的标签自增长,还可以保证不同算子计算出来的标签不重复。因此,在分布式实时框架不能保证数据到达顺序的情况下,本发明实施例能够保证脏数据可以被准确地识别出来,同时支持分布式、高并发和大数据量的情况。
图6是根据本发明另一个实施例的脏数据识别装置的主要模块的示意图,如图6所示,所述脏数据识别装置600包括第二分发模块601和识别模块602。其中,第二分发模块601用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;识别模块602用于在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,所述识别模块还用于:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
根据上面所述的各种实施例,可以看出本发明通过将业务主键相同的数据分发到同一个算子中,基于数据的业务主键和标签识别算子中的脏数据的技术手段,从而解决了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中基于数据的业务主键和标签识别算子中的脏数据,从而能够准确地识别出脏数据。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别方法,包括:
生产方接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
可选地,在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据,包括:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
另外,根据本发明实施例的另一个方面,提供了一种脏数据识别系统,包括:
生产方,用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方,用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
可选地,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
可选地,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
所述消费方还用于:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
图7示出了可以应用本发明实施例的脏数据识别方法或脏数据识别装置的示例性系统架构700。
如图7所示,系统架构700可以包括终端设备701、702、703,网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704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701、702、703通过网络704与服务器704交互,以接收或发送消息等。终端设备701、702、703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701、702、703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705可以是提供各种服务的服务器,例如对用户利用终端设备701、702、703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物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、物品信息——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脏数据识别方法一般由服务器705执行,相应地,所述脏数据识别装置一般设置在服务器705中。本发明实施例所提供的脏数据识别方法也可以由终端设备701、702、703执行,相应地,所述脏数据识别装置可以设置在终端设备701、702、703中。
应该理解,图7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8,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800的结构示意图。图8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8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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,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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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:一种处理器包括第一分发模块、标签模块和下发模块,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。
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:一种处理器包括第二分发模块和识别模块,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:接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方。
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:接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
根据本发明实施例的技术方案,因为采用将业务主键相同的数据分发到同一个算子中,当算子处理数据时采用自增方式生成标签并将标签加入到数据中的技术手段,所以克服了现有技术中无法准确识别脏数据的技术问题。本发明实施例通过业务主键来分发数据,确保同一业务主键的数据分发到同一个算子中,从而避免分布式时环境中,同一业务主键的数据若被同时分配给两个不同的算子处理,会造成结果的不确定性。而且在同一个算子中采用自增方式生成标签,不只可以保证同一个算子上的标签自增长,还可以保证不同算子计算出来的标签不重复。因此,在分布式实时框架不能保证数据到达顺序的情况下,本发明实施例能够保证脏数据可以被准确地识别出来,同时支持分布式、高并发和大数据量的情况。
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 (11)
1.一种脏数据识别方法,其特征在于,应用于生产方,包括:
接收或者生产数据,将业务主键相同的数据分发到同一个算子中;
在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;
将加入标签后的所述数据下发至消费方。
2.根据权利要求1所述的方法,其特征在于,所述标签包括生成标签时的时间戳和自增序列;
其中,所述自增序列基于所述算子的编号和算子的总数量生成。
3.根据权利要求2所述的方法,其特征在于,所述自增序列以所述算子的编号作为初始值、且以算子的总数量作为步长进行递增。
4.一种脏数据识别方法,其特征在于,应用于消费方,包括:
接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;
在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
5.根据权利要求4所述的方法,其特征在于,在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据,包括:
在同一个算子中,判断所述数据的业务主键是否在所述算子中出现过;
若是,则继续判断所述数据的标签是否小于所述算子中最后一次更新的标签;
若是,则认定所述数据为脏数据。
6.一种脏数据识别装置,其特征在于,包括:
第一分发模块,用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;
标签模块,用于在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;
下发模块,用于将加入标签后的所述数据下发至消费方。
7.一种脏数据识别装置,其特征在于,包括:
第二分发模块,用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;
识别模块,用于在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
8.一种脏数据识别方法,其特征在于,包括:
生产方接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
9.一种脏数据识别系统,其特征在于,包括:
生产方,用于接收或者生产数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,当所述算子处理所述数据时采用自增方式生成标签,并将所述标签加入到所述数据中;将加入标签后的所述数据下发至消费方;
消费方,用于接收生产方下发的数据,将业务主键相同的数据分发到同一个算子中;在同一个算子中,基于所述数据的业务主键和标签,识别所述算子中的脏数据。
10.一种电子设备,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1-5中任一所述的方法。
11.一种计算机可读介质,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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081473.8A CN112783924B (zh) | 2019-11-07 | 一种脏数据识别方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081473.8A CN112783924B (zh) | 2019-11-07 | 一种脏数据识别方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112783924A true CN112783924A (zh) | 2021-05-11 |
CN112783924B CN112783924B (zh) | 2024-07-16 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833281A (zh) * | 2011-06-15 | 2012-12-19 | 中兴通讯股份有限公司 | 一种分布式自增计数的实现方法、装置及系统 |
CN103902592A (zh) * | 2012-12-27 | 2014-07-02 | 深圳市腾讯计算机系统有限公司 | 基于MapReduce实现分析函数的方法及系统 |
WO2016159883A1 (en) * | 2015-03-30 | 2016-10-06 | National University Of Singapore | Extracting information from a data set in a distributed computing environment |
CN106406985A (zh) * | 2016-09-21 | 2017-02-15 | 北京百度网讯科技有限公司 | 分布式计算框架和分布式计算方法 |
CN110019671A (zh) * | 2017-11-07 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种处理实时消息的方法和系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833281A (zh) * | 2011-06-15 | 2012-12-19 | 中兴通讯股份有限公司 | 一种分布式自增计数的实现方法、装置及系统 |
CN103902592A (zh) * | 2012-12-27 | 2014-07-02 | 深圳市腾讯计算机系统有限公司 | 基于MapReduce实现分析函数的方法及系统 |
WO2016159883A1 (en) * | 2015-03-30 | 2016-10-06 | National University Of Singapore | Extracting information from a data set in a distributed computing environment |
CN106406985A (zh) * | 2016-09-21 | 2017-02-15 | 北京百度网讯科技有限公司 | 分布式计算框架和分布式计算方法 |
CN110019671A (zh) * | 2017-11-07 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种处理实时消息的方法和系统 |
Non-Patent Citations (1)
Title |
---|
黄建伟;张召;钱卫宁;: "分布式日志结构数据库系统的主键维护方法研究", 华东师范大学学报(自然科学版), no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019350B (zh) | 基于配置信息的数据查询方法和装置 | |
CN108960691B (zh) | 用于服务器系统的确定物品库存的方法和装置 | |
CN109189835A (zh) | 实时生成数据宽表的方法和装置 | |
CN112184367B (zh) | 一种订单处理方法和装置 | |
CN110471848B (zh) | 一种动态返回报文的方法和装置 | |
CN107908637B (zh) | 一种基于知识库的实体更新方法及系统 | |
CN111460129B (zh) | 标识生成的方法、装置、电子设备和存储介质 | |
CN110706093A (zh) | 一种账务处理方法和装置 | |
CN110795315A (zh) | 监控业务的方法和装置 | |
CN110427304A (zh) | 用于银行系统的运维方法、装置、电子设备以及介质 | |
CN112653614A (zh) | 基于消息中间件的请求处理方法和装置 | |
CN111881329A (zh) | 一种账户余额管理方法和系统 | |
CN112818026A (zh) | 数据整合方法和装置 | |
CN110705271A (zh) | 一种提供自然语言处理服务的系统及方法 | |
CN113190558A (zh) | 一种数据加工方法和系统 | |
CN111241189A (zh) | 一种同步数据的方法和装置 | |
CN112417016A (zh) | 一种数据交换方法、系统、设备及存储介质 | |
CN112783924B (zh) | 一种脏数据识别方法、装置和系统 | |
CN112783924A (zh) | 一种脏数据识别方法、装置和系统 | |
CN114490050A (zh) | 一种数据同步方法和装置 | |
CN113127561B (zh) | 业务单号的生成方法、装置、电子设备和存储介质 | |
CN109087097B (zh) | 一种更新链码同一标识的方法和装置 | |
CN113326060A (zh) | 业务请求处理方法、装置和系统以及业务配置方法和装置 | |
CN113572704A (zh) | 一种信息处理方法、生产端、消费端和服务器 | |
CN111767185A (zh) | 一种数据埋点方法和装置 |
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 |