CN113448957A - 一种数据查询方法和装置 - Google Patents
一种数据查询方法和装置 Download PDFInfo
- Publication number
- CN113448957A CN113448957A CN202010213317.9A CN202010213317A CN113448957A CN 113448957 A CN113448957 A CN 113448957A CN 202010213317 A CN202010213317 A CN 202010213317A CN 113448957 A CN113448957 A CN 113448957A
- Authority
- CN
- China
- Prior art keywords
- data
- data block
- target
- index
- interval
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 17
- 230000008901 benefit Effects 0.000 description 14
- 238000001914 filtration Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 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
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- 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
-
- 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
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据查询方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:分别创建各个数据块的位数组索引;接收并解析数据查询请求,得到目标列和目标值;根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;基于所述至少一个目标数据块,返回查询结果。该实施方式能够解决索引体积较大和查询响应较慢的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据查询方法和装置。
背景技术
在现有的olap(联机分析处理)查询方案中,有使用关系型数据库存储方案(比如oracle、mysql),也有使用内存存储方案(比如druid),还有使用预先构建cube(空间索引)的方案(比如kylin)。
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:
目前常见的索引,例如倒排序索引、二叉树索引等,可以精确定位到具体的某一行数据,在数据量比较小的情况下,比较有效。但是当数据体积上升到一定程度,这类索引的体积也会跟着膨胀,甚至无法使用,而且目前没有十分有效的方式来压缩,导致内存成本过高。hive、spark等大数据计算引擎能够支持海量数据的查询和聚合,但是很多无关数据也进入到了计算阶段进行过滤筛选,导致查询响应较慢。
发明内容
有鉴于此,本发明实施例提供一种数据查询方法和装置,以解决索引体积较大和查询响应较慢的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种数据查询方法,包括:
分别创建各个数据块的位数组索引;
接收并解析数据查询请求,得到目标列和目标值;
根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;
基于所述至少一个目标数据块,返回查询结果。
可选地,分别创建各个数据块的位数组索引之前,还包括:
根据哈希算法将数据表拆分为若干个数据段;
将所述数据段拆分为若干个数据块;
其中,每个数据段包含所述数据表的所有列和若干行数据,每个数据块中包含的数据是所述数据表的同一列数据,所述数据表的同一列数据记录在至少一个数据块中。
可选地,将所述数据段拆分为若干个数据块之后,还包括:
对所述各个数据块分别构建正排索引或者倒排索引。
可选地,所述分别创建各个数据块的位数组索引,包括:
将所述数据块中的数据划分为多个区间;
将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引;
其中,所述比特位的值表示所述比特位对应的区间是否存在数据。
可选地,将所述数据块中的数据划分为多个区间,包括:
根据所述数据块中的最大值数据、最小值数据以及预设的索引粗糙度,确定区间数量;
根据所述区间数量将所述数据块中的数据划分为多个区间。
可选地,根据所述区间数量将所述数据块中的数据划分为多个区间之后,还包括:
根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;
根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。
可选地,根据各个区间的数据密度,对所述数据块的区间进行压缩,包括:
若第一区间的数据量大于等于第一阈值,并且第二区间的数据量小于第二阈值;
则对所述第二区间的数据进行编码,使得编码后的数据位于第三区间;
其中,所述第一区间和所述第三区间均小于第二区间。
可选地,分别创建各个数据块的位数组索引之后,还包括:
将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。
可选地,基于所述至少一个目标数据块,返回查询结果,包括:
获取所述至少一个目标数据块对应的正排索引或者倒排索引;
根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中,返回命中结果。
可选地,基于所述至少一个目标数据块,返回查询结果,包括:
将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算,返回计算结果。
另外,根据本发明实施例的另一个方面,提供了一种数据查询装置,包括:
创建模块,用于分别创建各个数据块的位数组索引;
接收模块,用于接收并解析数据查询请求,得到目标列和目标值;
匹配模块,用于根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;
查询模块,用于基于所述至少一个目标数据块,返回查询结果。
可选地,还包括拆分模块,用于:
分别创建各个数据块的位数组索引之前,根据哈希算法将数据表拆分为若干个数据段;
将所述数据段拆分为若干个数据块;
其中,每个数据段包含所述数据表的所有列和若干行数据,每个数据块中包含的数据是所述数据表的同一列数据,所述数据表的同一列数据记录在至少一个数据块中。
可选地,所述拆分模块还用于:
将所述数据段拆分为若干个数据块之后,对所述各个数据块分别构建正排索引或者倒排索引。
可选地,所述创建模块还用于:
将所述数据块中的数据划分为多个区间;
将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引;
其中,所述比特位的值表示所述比特位对应的区间是否存在数据。
可选地,所述创建模块还用于:
根据所述数据块中的最大值数据、最小值数据以及预设的索引粗糙度,确定区间数量;
根据所述区间数量将所述数据块中的数据划分为多个区间。
可选地,所述创建模块还用于:
根据所述区间数量将所述数据块中的数据划分为多个区间之后,根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;
根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。
可选地,所述创建模块还用于:
若第一区间的数据量大于等于第一阈值,并且第二区间的数据量小于第二阈值;
则对所述第二区间的数据进行编码,使得编码后的数据位于第三区间;
其中,所述第一区间和所述第三区间均小于第二区间。
可选地,所述创建模块还用于:
分别创建各个数据块的位数组索引之后,将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。
可选地,所述查询模块还用于:
获取所述至少一个目标数据块对应的正排索引或者倒排索引;
根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中,返回命中结果。
可选地,所述查询模块还用于:
将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算,返回计算结果。
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:因为采用分别创建各个数据块的位数组索引,根据目标列、目标值和各个数据块的位数组索引,匹配出至少一个目标数据块,从而返回查询结果的技术手段,所以克服了现有技术中索引体积较大和查询响应较慢的技术问题。本发明实施例先对各个数据块创建位数组索引,位数组索引具有体积小、易于缓存、存储成本低和有利于列快速遍历的优点;然后对各个数据块进行匹配,筛选出目标数据块,从而高效地过滤掉了无关数据,使大数据计算引擎只关注聚合计算,无需再使用资源进行过滤查询,因此具有查询效率高且查询方式灵活的优点。
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数据查询方法的主要流程的示意图;
图2是根据本发明实施例的数据段的结构示意图;
图3是根据本发明实施例的位数组索引的结构示意图;
图4是根据本发明一个可参考实施例的数据查询方法的主要流程的示意图;
图5是根据本发明另一个可参考实施例的数据查询方法的主要流程的示意图;
图6是根据本发明实施例的数据查询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是根据本发明实施例的数据查询方法的主要流程的示意图。作为本发明的一个实施例,如图1所示,所述数据查询方法可以包括:
步骤101,分别创建各个数据块的位数组索引。
对于每个数据块(block),创建该数据块对应的位数组索引,由于位数组索引足够小,因此占用内存较少,可以低成本地加载到内存中。
在创建位数组索引之前,需要先对数据表进行拆分,从而得到若干个数据块。可选地,在步骤101之前,可以包括:根据哈希算法将数据表拆分为若干个数据段;将所述数据段拆分为若干个数据块。其中,每个数据段包含所述数据表的所有列和若干行数据,每个数据块中包含的数据是所述数据表的同一列数据,所述数据表的同一列数据记录在至少一个数据块中
在本发明的实施例中,数据存储以表为单位,先将一个表的数据拆分为若干个数据段(segment),每个数据段包含表的所有列和一部分行数据,再将每个数据段拆分为若干个数据块,每个数据块存放某列数据。如图2所示,在每个数据段中,schama存储数据表的结构信息,包括字段信息、该数据段包含的数据范围、字段是否构建索引以及字段类型等;version存储该数据段的版本;metadata存储各个数据块的全局描述信息,包括数据块的数量,各个数据块的存储路径和大小,各个数据块的位数组索引的存储路径,各个数据块的编码替换数据等。
可选地,数据表以分布式文件系统(比如HDFS)为存储平台,拆分得到的数据段和数据块也存储在分布式文件系统中。需要指出的是,一个数据块中的数据都属于同一列,根据数据块的大小将同一列数据集中放在若干个数据块中,这样有利于列的快速遍历。
可选地,将所述数据段拆分为若干个数据块之后,还包括:对所述各个数据块分别构建正排索引或者倒排索引,然后将其存储在分布式文件系统中。可选地,所述各个数据块的正排索引或者倒排索引的存储路径也可以存储在metadata中。
每个数据块根据建表指定索引类型来构建正排索引或者倒排索引,建表指定索引类型存储在schama中。一般来说,如果对查询响应时间要求较高,则构建倒排索引;如果数据变化较多且数据入库量大,则构建正排索引。正倒排索引只能指定一种,如果不需要精确命中筛选,则不需要构建正倒排索引。可选地,正倒排索引可以采用roaring bitmap算法进行构建。
每个数据块都有独立的位数组索引,所述位数组索引采取粗糙索引方式,相对于传统精确索引,可以降低索引的体积,从而降低索引的缓存成本,方便内存加载,降低内存成本,并且具备精确定位目标文件的功能。
可选地,步骤101可以包括:将所述数据块中的数据划分为多个区间;将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引。其中,所述比特位的值表示所述比特位对应的区间是否存在数据。如图3所示,每个区间对应到位数组(bitMap)的一个比特位,用一个bit表示,然后把各个数据映射到各个区间,value为1表示这个区间存在一行或者多行的数据,0表示不存在。对于每个数据块,通过步骤101为其创建对应的位数组索引。例如,将某个数据块中的数据划分为6个区间,那么该数据块的value序列只需要占用6个bit就完成了位数组索引的构建,该位数组索引足够小,可以低成本地加载到内存。由于对所有列进行了索引,数据的灵活查询得到了保证,在大数据场景下依然能够有效的工作。
可选地,将所述数据块中的数据划分为多个区间,包括:根据所述数据块中的最大值数据、最小值数据以及预设的索引粗糙度,确定区间数量;根据所述区间数量将所述数据块中的数据划分为多个区间。
在本发明的实施例中,数据类型可以分为:数字(number)类型和字符串(string)类型。对于number类型,记录数据块的最大值数据和最小值数据,从而将数据划分为多个区间;而对于string类型,先通过枚举替换,然后对其进行高位优先排序,最后根据最大值数据和最小值数据将数据划分为多个区间。
例如,已知数据块记录的最大值数据和最小值数据以及预先设定的索引粗糙度(比如设定10k为粗糙度),而该数据块的大小为100k,那么,区间数量即为100k/10k=10个。
可选地,根据所述区间数量将所述数据块中的数据划分为多个区间之后,还包括:根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。在构建了初始的区间之后,还可以根据各个区间的数据密度,对各个区间进行动态扩充和/或压缩,然后更新位数组索引。比如,数据块中90%的数据都在某一个区间,则可以对这个区间进行扩充,将这个区间再次划分为若干个区间。又比如,某些区间的数据较少,则可以将这些区间进行压缩,可以压缩为一个区间。
可选地,根据各个区间的数据密度,对所述数据块的区间进行压缩,包括:若第一区间的数据量大于等于第一阈值,并且第二区间的数据量小于第二阈值;则对所述第二区间的数据进行编码,使得编码后的数据位于第三区间。其中,所述第一区间和所述第三区间均小于第二区间。可以根据位数组索引是否存在边缘值(位于置信区间之外的数据)来判断是否对区间进行压缩,比如90%数据在区间[1-10],只有极个别数据在区间[10000-10010],则需要对区间[10000-10010]进行编码替换,将区间[10000-10010]内的数据放到区间[10-11],从而达到压缩区间的目的,这样可以进一步减少位数组索引的体积。
可选地,number类型的数据可以采用公式进行编码替换,string类型的数据可以通过枚举方式进行编码替换,然后对位于置信区间之外的数据进行全局映射和压缩替换,以减少位数组索引的体积。其中,替换的映射关系可以存储在数据段的metadata中,以保证单个数据段的自描述性。
可选地,在步骤101之后,还包括:将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。由于metadata存储了各个数据块的全局描述信息,因此可以将所述各个数据块的位数组索引和各个数据段的metadata加载到内存中,以方便快速地匹配数据块和查询存储路径。
步骤102,接收并解析数据查询请求,得到目标列和目标值。
在接收到数据查询请求后,对其进行行查询条件信息提取,生成要查找的目标列和目标值。其中,目标值可以是取值范围或精确值。可选地,目标值可以是sql中where'部分针对某列设置的取值范围或者精确值。比如,数据查询请求中携带的查询条件为age>5,那么age为目标列,>5为目标值。
步骤103,根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块。
由于已经将各个数据块的位数组索引加载到了内存中,因此可以在内存中对各个数据块的位数组索引进行目标值匹配,从而匹配出至少一个目标数据块。以目标值为>5为例,如果在某一个数据块的位数组索引中,>5的区间对应的比特位只要存在value为1,则命中该数据块,该数据块即为匹配出的目标数据块。通过步骤103可以在数据touch阶段有效地过滤掉无关的数据块,使大数据计算阶段只关注聚合计算,无需再使用资源进行过滤查询。
匹配出各个目标数据块之后,将这些目标数据块的存储路径或者这些目标数据块的正倒排索引的存储路径记录下来,以便于在步骤104中使用这些目标数据块或者这些目标数据块的正倒排索引进行数据查询。
步骤104,基于所述至少一个目标数据块,返回查询结果。
可选地,步骤104可以包括:获取所述至少一个目标数据块对应的正排索引或者倒排索引;根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中,返回命中结果。对于步骤103得到的目标数据块,进行正排或倒排索引匹配查询,从而得到查询结果。由于数据段的metadata也加载到了内存中,因此可以直接从内存中获取各个目标数据块对应的正排索引或者倒排索引的存储路径,然后进行命中和结果返回。
可选地,步骤104可以包括:将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算,返回计算结果。在匹配出了目标数据块的基础上,从metadata中获取到各个目标数据块对应的hdfs路径,将目标数据块交给大数据计算引擎,通过大数据计算引擎(比如hive和spark)对所述至少一个目标数据块进行聚合计算,得到计算结果。Hive:是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。Spark:是专为大规模数据处理而设计的快速通用的计算引擎。
本发明实施例提供的数据查询方法依托大数据计算框架能力,对大数据场景下的数据读取层进行数据前置过滤,减少数据加载和后续过滤步骤,从而加速整个计算流程,能够达到olap查询水平。本发明实施例主要在MapReduce任务的文件读取阶段生效或者在Spark任务的数据读取阶段生效。
根据上面所述的各种实施例,可以看出本发明通过分别创建各个数据块的位数组索引,根据目标列、目标值和各个数据块的位数组索引,匹配出至少一个目标数据块,从而返回查询结果的技术手段,解决了现有技术中索引体积较大和查询响应较慢的技术问题。本发明实施例先对各个数据块创建位数组索引,位数组索引具有体积小、易于缓存、存储成本低和有利于列快速遍历的优点;然后对各个数据块进行匹配,筛选出目标数据块,从而高效地过滤掉了无关数据,使大数据计算引擎只关注聚合计算,无需再使用资源进行过滤查询,因此具有查询效率高且查询方式灵活的优点。
图4是根据本发明一个可参考实施例的数据查询方法的主要流程的示意图。作为本发明的又一个实施例,如图4所示,所述数据查询方法可以包括:
步骤401,根据哈希算法将数据表拆分为若干个数据段,并将所述数据段拆分为若干个数据块。
数据存储以表为单位,先将一个表的数据拆分为若干个数据段(segment),每个数据段包含表的所有列和一部分行数据,再将每个数据段拆分为若干个数据块,每个数据块存放某列数据。
步骤402,对所述各个数据块分别构建正排索引或者倒排索引。
如果对查询响应时间要求较高,则构建倒排索引;如果数据变化较多且数据入库量大,则构建正排索引。正倒排索引只能指定一种,如果不需要精确命中筛选,则不需要构建正倒排索引。
步骤403,分别创建各个数据块的位数组索引。
对于每个数据块,采用如下方法创建所述数据块的位数组索引:将所述数据块中的数据划分为多个区间;将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引。每个区间对应到位数组的一个比特位,用一个bit表示,然后把各个数据映射到各个区间,value为1表示这个区间存在一行或者多行的数据,0表示不存在。
每个数据块都有独立的位数组索引,所述位数组索引采取粗糙索引方式,相对于传统精确索引,可以降低索引的体积,从而降低索引的缓存成本,方便内存加载,降低内存成本,并且具备精确定位目标文件的功能。
可选地,在步骤403之后,还可以包括:根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。
步骤404,将所述各个数据块的位数组索引、所述各个数据块的正排索引或者倒排索引的存储路径加载到内存中。
由于metadata存储了各个数据块的全局描述信息,因此可以将所述各个数据块的位数组索引和各个数据段的metadata加载到内存中,以方便快速地匹配数据块和查询存储路径。
步骤405,接收并解析数据查询请求,得到目标列和目标值。
在接收到数据查询请求后,对其进行行查询条件信息提取,生成要查找的目标列和目标值。其中,目标值可以是取值范围或精确值。
步骤406,根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块。
由于已经将各个数据块的位数组索引加载到了内存中,因此可以在内存中对各个数据块的位数组索引进行目标值匹配,从而匹配出至少一个目标数据块。通过步骤406可以在数据touch阶段有效地过滤掉无关的数据块,使大数据计算阶段只关注聚合计算,无需再使用资源进行过滤查询。
步骤407,获取所述至少一个目标数据块对应的正排索引或者倒排索引。
步骤408,根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中。
步骤409,返回命中结果。
另外,在本发明一个可参考实施例中数据查询方法的具体实施内容,在上面所述数据查询方法中已经详细说明了,故在此重复内容不再说明。
图5是根据本发明另一个可参考实施例的数据查询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5所示,所述数据查询方法可以包括:
步骤501,根据哈希算法将数据表拆分为若干个数据段,并将所述数据段拆分为若干个数据块。
步骤502,分别创建各个数据块的位数组索引。
步骤503,将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。
步骤504,接收并解析数据查询请求,得到目标列和目标值。
步骤505,根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块。
步骤506,将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算。
步骤507,返回计算结果。
另外,在本发明一个可参考实施例中数据查询方法的具体实施内容,在上面所述数据查询方法中已经详细说明了,故在此重复内容不再说明。
图6是根据本发明实施例的数据查询装置的主要模块的示意图,如图6所示,所述数据查询装置600包括创建模块601、接收模块602、匹配模块603和查询模块604。其中,创建模块601用于分别创建各个数据块的位数组索引;接收模块602用于接收并解析数据查询请求,得到目标列和目标值;匹配模块603用于根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;查询模块604用于基于所述至少一个目标数据块,返回查询结果。
可选地,还包括拆分模块,用于:
分别创建各个数据块的位数组索引之前,根据哈希算法将数据表拆分为若干个数据段;
将所述数据段拆分为若干个数据块;
其中,每个数据段包含所述数据表的所有列和若干行数据,每个数据块中包含的数据是所述数据表的同一列数据,所述数据表的同一列数据记录在至少一个数据块中。
可选地,所述拆分模块还用于:
将所述数据段拆分为若干个数据块之后,对所述各个数据块分别构建正排索引或者倒排索引。
可选地,所述创建模块601还用于:
将所述数据块中的数据划分为多个区间;
将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引;
其中,所述比特位的值表示所述比特位对应的区间是否存在数据。
可选地,所述创建模块601还用于:
根据所述数据块中的最大值数据、最小值数据以及预设的索引粗糙度,确定区间数量;
根据所述区间数量将所述数据块中的数据划分为多个区间。
可选地,所述创建模块601还用于:
根据所述区间数量将所述数据块中的数据划分为多个区间之后,根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;
根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。
可选地,所述创建模块601还用于:
若第一区间的数据量大于等于第一阈值,并且第二区间的数据量小于第二阈值;
则对所述第二区间的数据进行编码,使得编码后的数据位于第三区间;
其中,所述第一区间和所述第三区间均小于第二区间。
可选地,所述创建模块601还用于:
分别创建各个数据块的位数组索引之后,将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。
可选地,所述查询模块604还用于:
获取所述至少一个目标数据块对应的正排索引或者倒排索引;
根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中,返回命中结果。
可选地,所述查询模块604还用于:
将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算,返回计算结果。
根据上面所述的各种实施例,可以看出本发明通过分别创建各个数据块的位数组索引,根据目标列、目标值和各个数据块的位数组索引,匹配出至少一个目标数据块,从而返回查询结果的技术手段,解决了现有技术中索引体积较大和查询响应较慢的技术问题。本发明实施例先对各个数据块创建位数组索引,位数组索引具有体积小、易于缓存、存储成本低和有利于列快速遍历的优点;然后对各个数据块进行匹配,筛选出目标数据块,从而高效地过滤掉了无关数据,使大数据计算引擎只关注聚合计算,无需再使用资源进行过滤查询,因此具有查询效率高且查询方式灵活的优点。
需要说明的是,在本发明所述数据查询装置的具体实施内容,在上面所述数据查询方法中已经详细说明了,故在此重复内容不再说明。
图7示出了可以应用本发明实施例的数据查询方法或数据查询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705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数据查询方法一般由服务器705执行,相应地,所述数据查询装置一般设置在服务器705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:一种处理器包括创建模块、接收模块、匹配模块和查询模块,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,该设备实现如下方法:分别创建各个数据块的位数组索引;接收并解析数据查询请求,得到目标列和目标值;根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;基于所述至少一个目标数据块,返回查询结果。
根据本发明实施例的技术方案,因为采用分别创建各个数据块的位数组索引,根据目标列、目标值和各个数据块的位数组索引,匹配出至少一个目标数据块,从而返回查询结果的技术手段,所以克服了现有技术中索引体积较大和查询响应较慢的技术问题。本发明实施例先对各个数据块创建位数组索引,位数组索引具有体积小、易于缓存、存储成本低和有利于列快速遍历的优点;然后对各个数据块进行匹配,筛选出目标数据块,从而高效地过滤掉了无关数据,使大数据计算引擎只关注聚合计算,无需再使用资源进行过滤查询,因此具有查询效率高且查询方式灵活的优点。
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 (13)
1.一种数据查询方法,其特征在于,包括:
分别创建各个数据块的位数组索引;
接收并解析数据查询请求,得到目标列和目标值;
根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;
基于所述至少一个目标数据块,返回查询结果。
2.根据权利要求1所述的方法,其特征在于,分别创建各个数据块的位数组索引之前,还包括:
根据哈希算法将数据表拆分为若干个数据段;
将所述数据段拆分为若干个数据块;
其中,每个数据段包含所述数据表的所有列和若干行数据,每个数据块中包含的数据是所述数据表的同一列数据,所述数据表的同一列数据记录在至少一个数据块中。
3.根据权利要求2所述的方法,其特征在于,将所述数据段拆分为若干个数据块之后,还包括:
对所述各个数据块分别构建正排索引或者倒排索引。
4.根据权利要求1所述的方法,其特征在于,所述分别创建各个数据块的位数组索引,包括:
将所述数据块中的数据划分为多个区间;
将所述多个区间依次排序,每个区间占用位数组中的一个比特位,从而得到所述数据块的位数组索引;
其中,所述比特位的值表示所述比特位对应的区间是否存在数据。
5.根据权利要求4所述的方法,其特征在于,将所述数据块中的数据划分为多个区间,包括:
根据所述数据块中的最大值数据、最小值数据以及预设的索引粗糙度,确定区间数量;
根据所述区间数量将所述数据块中的数据划分为多个区间。
6.根据权利要求5所述的方法,其特征在于,根据所述区间数量将所述数据块中的数据划分为多个区间之后,还包括:
根据各个区间的数据密度,对所述数据块的区间进行扩充和/或压缩;
根据扩充结果和/或压缩结果,更新所述位数组中各个比特位的值。
7.根据权利要求6所述的方法,其特征在于,根据各个区间的数据密度,对所述数据块的区间进行压缩,包括:
若第一区间的数据量大于等于第一阈值,并且第二区间的数据量小于第二阈值;
则对所述第二区间的数据进行编码,使得编码后的数据位于第三区间;
其中,所述第一区间和所述第三区间均小于第二区间。
8.根据权利要求1所述的方法,其特征在于,分别创建各个数据块的位数组索引之后,还包括:
将所述各个数据块的位数组索引及其对应的存储路径加载到内存中。
9.根据权利要求1所述的方法,其特征在于,基于所述至少一个目标数据块,返回查询结果,包括:
获取所述至少一个目标数据块对应的正排索引或者倒排索引;
根据所述目标值,对所述至少一个目标数据块对应的正排索引或者倒排索引进行命中,返回命中结果。
10.根据权利要求1所述的方法,其特征在于,基于所述至少一个目标数据块,返回查询结果,包括:
将所述至少一个目标数据块作为数据源,采用大数据计算引擎对所述至少一个目标数据块进行计算,返回计算结果。
11.一种数据查询装置,其特征在于,包括:
创建模块,用于分别创建各个数据块的位数组索引;
接收模块,用于接收并解析数据查询请求,得到目标列和目标值;
匹配模块,用于根据所述目标列、所述目标值和所述各个数据块的位数组索引,匹配出至少一个目标数据块;
查询模块,用于基于所述至少一个目标数据块,返回查询结果。
12.一种电子设备,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时,所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,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1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213317.9A CN113448957A (zh) | 2020-03-24 | 2020-03-24 | 一种数据查询方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213317.9A CN113448957A (zh) | 2020-03-24 | 2020-03-24 | 一种数据查询方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113448957A true CN113448957A (zh) | 2021-09-28 |
Family
ID=77806429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213317.9A Pending CN113448957A (zh) | 2020-03-24 | 2020-03-24 | 一种数据查询方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113448957A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644103A (zh) * | 2023-05-17 | 2023-08-25 | 本原数据(北京)信息技术有限公司 | 数据排序方法和数据排序装置、计算机设备、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385606A (zh) * | 2010-09-03 | 2012-03-21 | 腾讯科技(深圳)有限公司 | 一种分布式数据仓库的访问方法和装置 |
CN103838766A (zh) * | 2012-11-26 | 2014-06-04 | 深圳市腾讯计算机系统有限公司 | 防空缓存方法和装置 |
US8762387B1 (en) * | 2013-07-31 | 2014-06-24 | Linkedin Corporation | Inverted indexes for accelerating analytics queries |
EP2833278A1 (en) * | 2013-07-31 | 2015-02-04 | Linkedin Corporation | Method and apparatus for real-time indexing of data for analytics |
CN104715039A (zh) * | 2015-03-23 | 2015-06-17 | 星环信息科技(上海)有限公司 | 基于硬盘和内存的列式存储和查询方法及设备 |
CN107491487A (zh) * | 2017-07-17 | 2017-12-19 | 中国科学院信息工程研究所 | 一种全文数据库架构及位图索引创建、数据查询方法、服务器及介质 |
CN110347722A (zh) * | 2019-07-11 | 2019-10-18 | 软通智慧科技有限公司 | 基于HBase的数据获取方法、装置、设备及存储介质 |
CN110399535A (zh) * | 2019-02-26 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种数据查询方法、装置及设备 |
-
2020
- 2020-03-24 CN CN202010213317.9A patent/CN113448957A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385606A (zh) * | 2010-09-03 | 2012-03-21 | 腾讯科技(深圳)有限公司 | 一种分布式数据仓库的访问方法和装置 |
CN103838766A (zh) * | 2012-11-26 | 2014-06-04 | 深圳市腾讯计算机系统有限公司 | 防空缓存方法和装置 |
US8762387B1 (en) * | 2013-07-31 | 2014-06-24 | Linkedin Corporation | Inverted indexes for accelerating analytics queries |
EP2833278A1 (en) * | 2013-07-31 | 2015-02-04 | Linkedin Corporation | Method and apparatus for real-time indexing of data for analytics |
CN104715039A (zh) * | 2015-03-23 | 2015-06-17 | 星环信息科技(上海)有限公司 | 基于硬盘和内存的列式存储和查询方法及设备 |
CN107491487A (zh) * | 2017-07-17 | 2017-12-19 | 中国科学院信息工程研究所 | 一种全文数据库架构及位图索引创建、数据查询方法、服务器及介质 |
CN110399535A (zh) * | 2019-02-26 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种数据查询方法、装置及设备 |
CN110347722A (zh) * | 2019-07-11 | 2019-10-18 | 软通智慧科技有限公司 | 基于HBase的数据获取方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
薛翔;沈斯杰;陈榕;: "一种使用索引式备份的范围查询方法", 小型微型计算机系统, no. 08, 15 August 2018 (2018-08-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644103A (zh) * | 2023-05-17 | 2023-08-25 | 本原数据(北京)信息技术有限公司 | 数据排序方法和数据排序装置、计算机设备、存储介质 |
CN116644103B (zh) * | 2023-05-17 | 2023-11-24 | 本原数据(北京)信息技术有限公司 | 基于数据库的数据排序方法和装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11475034B2 (en) | Schemaless to relational representation conversion | |
US11093466B2 (en) | Incremental out-of-place updates for index structures | |
CN111046034B (zh) | 管理内存数据及在内存中维护数据的方法和系统 | |
CN107729399B (zh) | 数据处理的方法和装置 | |
US9052938B1 (en) | Correlation and associated display of virtual machine data and storage performance data | |
US8972337B1 (en) | Efficient query processing in columnar databases using bloom filters | |
US10061834B1 (en) | Incremental out-of-place updates for datasets in data stores | |
CN107704202B (zh) | 一种数据快速读写的方法和装置 | |
CN109614402B (zh) | 多维数据查询方法和装置 | |
US10860562B1 (en) | Dynamic predicate indexing for data stores | |
US9229961B2 (en) | Database management delete efficiency | |
CN108897874B (zh) | 用于处理数据的方法和装置 | |
US11468031B1 (en) | Methods and apparatus for efficiently scaling real-time indexing | |
US11200231B2 (en) | Remote query optimization in multi data sources | |
CN104462161A (zh) | 基于分布式数据库的结构化数据查询方法 | |
US10776368B1 (en) | Deriving cardinality values from approximate quantile summaries | |
CN112307061A (zh) | 用于查询数据的方法和装置 | |
US11520763B2 (en) | Automated optimization for in-memory data structures of column store databases | |
CN112579673A (zh) | 一种多源数据处理方法及装置 | |
CN113448957A (zh) | 一种数据查询方法和装置 | |
CN113760966A (zh) | 基于异构数据库系统的数据处理方法和装置 | |
CN107832347B (zh) | 数据降维方法、系统及电子设备 | |
CN111459980A (zh) | 监控数据的存储和查询方法及装置 | |
CN113760600A (zh) | 一种数据库备份方法、数据库还原方法和相关装置 | |
CN113760890A (zh) | 关系型数据库管理的方法和装置 |
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 |