CN115150471B - 数据处理方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本公开提供了一种数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及大数据、消息中间件等技术领域。该方法包括：将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列；通过预先创建的多个计算进程分别从缓存队列中提取不同的偏移量区间；通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据。该方法通过在计算引擎和分布式发布订阅消息平台之间增设缓存队列，绕过了原先存在的进程数量需与分区数量一致的要求，从而可在无需增加分区数量的情况下，仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，提升数据读取速度。

Description

数据处理方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及数据处理技术领域，具体涉及大数据、消息中间件等技术领域，尤其涉及一种数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

为了更好的处理大规模的数据，通常采用计算引擎与消息存储平台的组合，例如采用专为大规模数据处理而设计的快速通用的计算引擎—Apache Spark和一种高吞吐量的分布式发布订阅消息系统—Kafka。

上述组合之间存在性能瓶颈问题，即Spark下执行任务的进程—Executor与Kafka的Topic(主题)下Partition(分区)的数量必须是一致的，即有多少个Partition就必须通过多少个Executor进行数据的消费，这在没有遇到性能问题时可以解决大部分的问题，但是一旦遇到性能问题，则只能通过同时增加Kafka以及Spark资源来解决，性能开销过大。

发明内容

本公开实施例提出了一种数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种数据处理方法，包括：将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列；通过预先创建的多个计算进程分别从缓存队列中提取不同的偏移量区间；通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据。

第二方面，本公开实施例提出了一种数据处理装置，包括：偏移量区间存储单元，被配置成将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列；偏移量区间提取单元，被配置成通过预先创建的多个计算进程分别从缓存队列中提取不同的偏移量区间；新增数据提取单元，被配置成通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据。

第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的数据处理方法。

第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的数据处理方法。

第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的数据处理方法。

本公开所提供的数据处理方案，在通过计算引擎直接从分布式发布订阅消息平台中消费数据的传统方案基础上，在计算引擎和分布式发布订阅消息平台之间增设缓存队列，并通过将分布式发布订阅消息平台新增数据的偏移量区间存储至缓存队列，使得计算引擎可通过创建多个进程来分别从缓存队列中提取出多个偏移量区间，进而按照偏移量区间消费分布式发布订阅消息平台中的新增数据，绕过了原先存在的进程数量需与分区数量一致的要求，从而可在无需增加分区数量的情况下，仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，提升数据读取速度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开可以应用于其中的示例性系统架构；

图2为本公开实施例提供的一种数据处理方法的流程图；

图3为本公开实施例提供的另一种数据处理方法的流程图；

图4为本公开实施例提供的一种调整计算引擎的计算进程数量的方法的流程图；

图5为本公开实施例提供的一种数据处理装置的结构框图；

图6为本公开实施例提供的一种适用于执行数据处理方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1示出了可以应用本公开的数据处理方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括数据处理服务器101、数据库102、分布式发布订阅消息平台103。且数据处理服务器101、数据库102和分布式发布订阅消息平台103之间建立有数据传输通路，以用于传输数据和指令。该数据传输通路可基于各种连接类型创建得到，例如有线、无线通信链路或者光纤电缆等等。

数据处理服务器101、数据库102和分布式发布订阅消息平台103上可以安装有各种用于实现任意两者之间进行信息通讯的应用，例如信息处理类应用、信息缓存类应用、信息消费类应用等。

数据处理服务器101、数据库102和分布式发布订阅消息平台103通常表现为不同样式不同的硬件设备，在模拟或者仿真情况下，也可以是由软件虚拟出来的虚拟设备。当数据处理服务器101、数据库102和分布式发布订阅消息平台103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；但其为软件的模拟产物时，可以实现成单个软件或软件模块，也可以实现成多个软件或软件模块，在此不做具体限定。

数据处理服务器101通过内置的各种应用可以提供各种服务，以可以提供高效率消费消息服务的消息消费类应用为例，数据处理服务器101在运行该消息消费类时可实现如下效果：首先，将分布式发布订阅消息平台103各主题下各分区中新增数据的偏移量区间，存储至数据库102的缓存队列；然后，通过预先创建的多个计算进程分别从该缓存队列中提取不同的偏移量区间；最后，通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据，从而完成数据消费过程。

应该理解，图1中的数据处理服务器、数据库和分布式发布订阅消息平台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数据处理服务器、数据库和分布式发布订阅消息平台。

请参考图2，图2为本公开实施例提供的一种数据处理方法的流程图，其中流程200包括以下步骤：

步骤201：将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列；

本步骤旨在由数据处理方法的执行主体(例如图1所示的数据处理服务器101)从分布式发布订阅消息平台(例如Kafka)各主题(Topic)下各分区(Partition)中获取新增数据的偏移量(Offset)区间，并将获取到的偏移量区间存储至缓存队列。

其中，缓存队列可以选用Redis(一种键值对型数据存储系统)、MySQL(一种关系型数据库管理系统)或其它类似产品。

为了提升效率和减少信息获取次数，偏移量区间的获取可以周期性进行，即每隔预设时长就将分布式发布订阅消息平台各主题下各分区中上个时间间隔内新增数据的偏移量区间存储至缓存队列，即存储至缓存队列中的每个偏移量区间都是一个周期内的多条新增数据。具体的，每个周期的时长或周期间隔，可以根据实际应用场景的实际需求灵活设定，例如在后续还需要按照数据产生批次对同一批次数据进行汇聚和分析的情况下，可以根据每批次数据的具体时长设定拆分的周期数，从而计算得到每个周期的周期间隔。

步骤202：通过预先创建的多个计算进程分别从缓存队列中提取不同的偏移量区间；

在步骤201的基础上，本步骤旨在由上述执行主体通过多个计算进程(例如Spark下的Excutor)分别从该缓存队列中提取记录的不同偏移量区间，即预先创建多个计算进程(Excutor)，并使每个计算进程作为独立的对象分别从缓存队列中提取其所记录的不同的偏移量区间。

需要说明的是，存储在缓存队列中的一条偏移量区间应当仅被一个对象提取到，而不会被多个对象重复提取到，从而保证每个偏移量区间对应的新增数据只会被一个计算进程消费到，避免重复的无效消费。

其中，分区下的每条新增数据分别对应一个偏移量，因此偏移量区间实际上描述了该分区下多条新增数据的偏移量范围，以便于让每个读取到该偏移量区间的计算进程可一次性在分布式发布订阅消息平台消费到多条新增数据。

步骤203：通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据。

在步骤202的基础上，本步骤旨在由上述执行主体将各计算进程作为独立的消费对象，控制各计算进程按照其各自提取到的偏移量区间，从分布式发布订阅消息平台相应主题下相应分区中获取相应的新增数据。

本公开实施例提供的数据处理方法，在通过计算引擎直接从分布式发布订阅消息平台中消费数据的传统方案基础上，在计算引擎和分布式发布订阅消息平台之间增设缓存队列，并通过将分布式发布订阅消息平台新增数据的偏移量区间存储至缓存队列，使得计算引擎可通过创建多个进程来分别从缓存队列中提取出多个偏移量区间，进而按照偏移量区间消费分布式发布订阅消息平台中的新增数据，绕过了原先存在的进程数量需与分区数量一致的要求，从而可在无需增加分区数量的情况下，仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，提升数据读取速度。

图2所示实施例以充当计算引擎的数据处理服务器为执行主体，以计算引擎的视角描述了整个方案，由于整个方案实际上涉及多个主体，本实施例还通过图3示出了另一种数据处理方法的流程图，具体以Spark作为计算引擎、Spark下的Excutor作为计算进程、Kafka作为分布式发布订阅消息平台为例，并示出了每个步骤的执行主体和每个步骤中涉及的主体，以更加清晰的展现每个执行步骤，其流程300包括以下步骤：

步骤301：Spark周期性的将Kafka各Topic下各Partition中周期内新增数据的Offset区间，存储至Redis；

本步骤由Spark周期性的从Kafka各Topic下各Partition中获取该周期内新增数据的Offset，得到Offset区间，并将每个周期获取到的Offset区间存储至Redis这个键值对型数据库中，形成一个缓存队列。

具体的，每个周期的周期间隔可以是10秒，即每隔10秒执行一次偏移量区间获取操作，得到上个10秒新增数据对应的偏移量区间。

进一步的，除了将最关键的偏移量区间存储至Redis之外，为了使计算进程还能够根据提取到的信息在Kafka的正确位置消费相应的新增数据，还可以为每条偏移量区间同时绑定对应的分区编号、主题名称、当前周期的周期始末时刻，进而使得Redis中存储的每条记录包含更多的信息。其中，分区编号、主题名称用于明确新增数据的提取位置；当前周期的周期始末时刻则用于明确相应新增数据的产生时刻，以便于后续基于产生时刻进行同批次数据的汇聚和分析。

下表1示出了一种Redis中的信息记录形式，表1中的每一行代表一条信息，而每一行同时包含有分区编号、主题名称、偏移量区间、当前周期的周期始末时刻这四个自参数，而不同行则按照时间从早到晚、主题名称从小到大、分布编号从小到大的顺序进行排列，形成了一个缓存队列。

当然，除了表1所示出的信息记录形式，也可以存在其它的信息记录形式，只要在满足记录有偏移量区间，并能够使后续步骤的计算进程可以根据提取到的信息在Kafka的正确位置提取到相应的新增数据即可。

表1新增数据参数记录表

Topic	Partition	Offset	Time
				topic1	1	[1,100]	18:00:00—18:00:10
topic1	1	[101,200]	18:00:10—18:00:20
				topic1	2	[1,110]	18:00:00—18:00:10
topic1	2	[111,230]	18:00:10—18:00:20
				topic1	3	[1,200]	18:00:00—18:00:10
topic1	3	[201,405]	18:00:10—18:00:20
				topic1	4	[1,120]	18:00:00—18:00:10
topic1	4	[121,235]	18:00:10—18:00:20
				topic1	5	[1,200]	18:00:00—18:00:10
topic1	5	[101,200]	18:00:10—18:00:20
				topic2	1	[1,99]	18:00:00—18:00:10
topic2	1	[100,200]	18:00:10—18:00:20
				topic2	2	[1,111]	18:00:00—18:00:10
topic2	2	[112,234]	18:00:10—18:00:20

根据表1的有限信息可以看出，Kafka下至少包含2个不同的Topic，其中的Topic1包含有5个不同的Partition(其分区编号分别为1、2、3、4、5)、Topic2中至少包含2个不同的Partition(其分区编号分别为1、2)，且每个周期间隔10秒，每个周期内各分区内新增数据的条数大致在100条上下。

步骤302：Spark通过预先创建的多个Excutor分别执行RPOP指令不断的从Redis的队尾提取记录的最后一条Offset区间；

在步骤301的基础上，本步骤旨在由Spark控制预先创建的多个Excutor分别以向Redis执行RPOP指令的方式，不断的从Redis的队尾提取记录的最后一条Offset区间。

Redis下的RPOP指令，是用于移除列表的最后一个元素，该指令的返回值即为所移除的元素，以表1为例，每条RPOP指令都将移除表1的最后一条信息记录，并将所移除的信息记录返回给发起该指令的Excutor。

除本步骤使用的RPOP指令外，也可以换用其它能够相同效果的单一指令或多条指令的组合，若更换为其它的缓存队列或数据库，也可以适应性的调整为其它的同效果指令，此处不再一一列举。

步骤303：Spark通过预先创建的多个Excuotr按照提取到的Offset区间，从Kafka中相应Topic下的相应Partition消费相应的新增数据。

在步骤302的基础上，本步骤旨在由Spark控制预先创建的多个Excutor各自作为一个消费对象，分别按照提取到的Offset区间，从Kafka中相应Topic下的相应Partition消费相应的新增数据(即取出相应的新增数据)。

本实施例结合具体的计算引擎、计算进程、缓存队列、分布式发布订阅消息平台，以及消息记录的具体存储方式和消息记录的具体读取方式，给出了一种具体的处理方案。但应当理解的是，计算引擎、缓存队列、分布式发布订阅消息平台除本实施例给出的具体示例外，也可以换用其它同类型的产品，进而得到多种组合方案，此处不再具体列举。

考虑到计算引擎通常在从分布式发布订阅消息平台取出大量数据后，还通常需要按批次进行后续处理，因此还可以在确认获取到一个预设批次的所有新增数据之后，对当前的预设批次的新增数据进行汇聚处理，得到汇聚结果，然后对汇聚结果进行分析处理，得到本批次数据的分析结果。具体的，汇聚处理的汇聚方式和分析处理和的分析方式，可在多种备选方式中选择最合适实际需求的一种或多种，此处不再一一列举。

在上述实施例的基础上，由于通过增设缓存队列，使得无需使得计算进程的数量与分区数保持一致，因此可以通过仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，而为了尽可能的减低不必要的性能开销，还可以实时、动态的结合实际情况来调整计算进程的数量，而不至于使较多的计算进程都处于闲置状态。一种包括且不限于的实现方式可以参见图4所示的流程400，包括如下步骤：

步骤401：确定各计算进程的闲置率；

步骤402：根据闲置率调整计算进程的数量。

即本实施例通过确定各计算进程的闲置率，并根据闲置率来确定是否有一些计算进程经常处于闲置状态或低负载状态。

具体的，计算闲置率的方式有多种，例如在预设时段内处于闲置状态的时长与时段总时长的比值、在工作时段的负载量等等，而在根据闲置率调整计算进程的数量时，还需要在实际需求数量的基础上保留一些冗余，来避免后续负载临时增加所需要临时创建新的计算进程带来的额外开销。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种数据处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的数据处理装置500可以包括：偏移量区间存储单元501、偏移量区间提取单元502、新增数据提取单元503。其中，偏移量区间存储单元501，被配置成将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列；偏移量区间提取单元502，被配置成通过预先创建的多个计算进程分别从缓存队列中提取不同的偏移量区间；新增数据提取单元503，被配置成通过各计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据。

在本实施例中，数据处理装置500中：偏移量区间存储单元501、偏移量区间提取单元502、新增数据提取单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，偏移量区间提取单元502可以被进一步配置成：

响应于缓存队列为Redis，控制计算引擎创建的多个计算进程分别通过RPOP指令提取存储在缓存队列队尾的偏移量区间。

在本实施例的一些可选的实现方式中，偏移量区间存储单元501可以被进一步配置成：

周期性的将分布式发布订阅消息平台各主题下各分区中周期内新增数据的偏移量区间，存储至缓存队列。

在本实施例的一些可选的实现方式中，存储在缓存队列中的每条记录中包括：与偏移量区间对应的分区编号、主题名称、当前周期的周期始末时刻。

在本实施例的一些可选的实现方式中，数据处理装置500中还可以包括：

汇聚处理单元，被配置成响应于获取到一个预设批次的所有新增数据，对当前的预设批次的新增数据进行汇聚处理，得到汇聚结果；

分析处理单元，被配置成对汇聚结果进行分析处理，得到分析结果。

在本实施例的一些可选的实现方式中，分布式发布订阅消息平台为Kafka、计算引擎为Spark、计算进程为Executor，缓存队列为Redis。

在本实施例的一些可选的实现方式中，数据处理装置500中还可以包括；

闲置率确定单元，被配置成确定各计算进程的闲置率；

数量调整单元，被配置成根据闲置率调整计算进程的数量。

本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的数据处理装置，在通过计算引擎直接从分布式发布订阅消息平台中消费数据的传统方案基础上，在计算引擎和分布式发布订阅消息平台之间增设缓存队列，并通过将分布式发布订阅消息平台新增数据的偏移量区间存储至缓存队列，使得计算引擎可通过创建多个进程来分别从缓存队列中提取出多个偏移量区间，进而按照偏移量区间消费分布式发布订阅消息平台中的新增数据，绕过了原先存在的进程数量需与分区数量一致的要求，从而可在无需增加分区数量的情况下，仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，提升数据读取速度。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的数据处理方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的数据处理方法。

根据本公开的实施例，本公开还提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的数据处理方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。

根据本公开实施例的技术方案，在通过计算引擎直接从分布式发布订阅消息平台中消费数据的传统方案基础上，在计算引擎和分布式发布订阅消息平台之间增设缓存队列，并通过将分布式发布订阅消息平台新增数据的偏移量区间存储至缓存队列，使得计算引擎可通过创建多个进程来分别从缓存队列中提取出多个偏移量区间，进而按照偏移量区间消费分布式发布订阅消息平台中的新增数据，绕过了原先存在的进程数量需与分区数量一致的要求，从而可在无需增加分区数量的情况下，仅通过增加性能开销较低的进程数量来更高效率的消费分布式发布订阅消息平台中的数据，提升数据读取速度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种数据处理方法，包括：

周期性的将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列，存储在所述缓存队列中的每条记录还包括：与所述偏移量区间对应的分区编号、主题名称、当前周期的周期始末时刻；

通过预先创建的多个计算进程分别从所述缓存队列中提取不同的偏移量区间；

通过各所述计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据；

响应于获取到一个预设批次的所有新增数据，对当前的预设批次的新增数据进行汇聚处理，得到汇聚结果，批次与周期对应，所述预设批次与处于预设周期始末时刻内的预设周期相对应；

对所述汇聚结果进行分析处理，得到分析结果。

2.根据权利要求1所述的方法，其中，所述通过预先创建的多个计算进程分别从所述缓存队列中提取不同的偏移量区间，包括：

响应于所述缓存队列为Redis，通过预先创建的多个计算进程分别通过RPOP指令提取存储在所述缓存队列队尾的偏移量区间。

3.根据权利要求1所述的方法，其中，所述分布式发布订阅消息平台为Kafka、计算引擎为Spark、所述计算进程为Executor，所述缓存队列为Redis。

4.根据权利要求1-3任一项所述的方法，还包括；

确定各所述计算进程的闲置率；

根据所述闲置率调整所述计算进程的数量。

5.一种数据处理装置，包括：

偏移量区间存储单元，被配置成周期性的将分布式发布订阅消息平台各主题下各分区中新增数据的偏移量区间，存储至缓存队列，存储在所述缓存队列中的每条记录还包括：与所述偏移量区间对应的分区编号、主题名称、当前周期的周期始末时刻；

偏移量区间提取单元，被配置成通过预先创建的多个计算进程分别从所述缓存队列中提取不同的偏移量区间；

新增数据提取单元，被配置成通过各所述计算进程根据提取到的偏移量区间从相应的分区中获取相应的新增数据；

汇聚处理单元，被配置成响应于获取到一个预设批次的所有新增数据，对当前的预设批次的新增数据进行汇聚处理，得到汇聚结果，批次与周期对应，所述预设批次与处于预设周期始末时刻内的预设周期相对应；

分析处理单元，被配置成对所述汇聚结果进行分析处理，得到分析结果。

6.根据权利要求5所述的装置，其中，所述偏移量区间提取单元被进一步配置成：

响应于所述缓存队列为Redis，通过预先创建的多个计算进程分别通过RPOP指令提取存储在所述缓存队列队尾的偏移量区间。

7.根据权利要求5所述的装置，其中，所述分布式发布订阅消息平台为Kafka、计算引擎为Spark、所述计算进程为Executor，所述缓存队列为Redis。

8.根据权利要求5-7任一项所述的装置，还包括；

闲置率确定单元，被配置成确定各所述计算进程的闲置率；

数量调整单元，被配置成根据所述闲置率调整所述计算进程的数量。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的数据处理方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的数据处理方法。