很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢如何成為春羽作者請聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
上篇講了大數(shù)據(jù)治理的背景、目標、核心，本篇進入實踐環(huán)節(jié)，聊聊具體如何實施大數(shù)據(jù)治理、大數(shù)據(jù)治理的步驟及效果驗證。
數(shù)據(jù)膨脹是大數(shù)據(jù)治理最先要解決的問題，它直接關系到成本問題，解法是進行存儲優(yōu)化，也就是設計規(guī)范化的存儲策略，提高數(shù)據(jù)的共享程度。
從空間方面思考：
第一個關鍵詞是合并，即合并冗余表。一方面是掃描數(shù)據(jù)表的依賴關系，上游表相似，表字段也相似，判斷可能是冗余表，只留一個。另一方面把高度重合的表合并，從小表變大表。
第二個關鍵詞是舍棄，即舍棄冗余字段。有些字段并沒有多大存儲意義，或者可以從其他來源處獲取，可以從數(shù)據(jù)表中剔除。
第三個關鍵詞是拆分，即內容壓縮。例如通過一個數(shù)據(jù)壓縮節(jié)點把大json字段拆分成幾個內容字段，把格式相關的部分舍棄，需要還原的時候再通過數(shù)據(jù)解壓縮節(jié)點逆向還原回來。平均可帶來30%的存儲空間釋放。
從時間方面思考
第一個關鍵詞是生命周期。合理規(guī)劃數(shù)據(jù)的生命周期，不同層的數(shù)據(jù)保留時間不一樣。有的需要永久保存，有的不需要永久保存。
第二個關鍵詞是冷熱。對于那些暫時沒有業(yè)務調用的冷數(shù)據(jù)，壓縮歸檔。
除了通用化的策略外，不同行業(yè)，不同類型的數(shù)據(jù)還有自身特性化的治理策略。例如設備在某一個位置停留時間過久，回傳了大量的重復坐標。
計算優(yōu)化的目的一是節(jié)省運算資源，二是提高數(shù)據(jù)加工處理的速度，縮短數(shù)據(jù)生產(chǎn)周期。
第一個優(yōu)化點是避免在異常數(shù)據(jù)上浪費算力。有些數(shù)據(jù)雖然格式上沒有問題，但實際上根據(jù)業(yè)務場景的定義是異常的，可以忽略。還例如某個設備是故障的，將它識別出來后它所產(chǎn)生的數(shù)據(jù)都不再參與計算。
第二個優(yōu)化點是識別并應對數(shù)據(jù)傾斜。所謂數(shù)據(jù)傾斜有兩種情況，一種是某一塊區(qū)域的數(shù)據(jù)大于其他區(qū)域，另一種是某一些數(shù)據(jù)的大小要遠遠大于平均值。對存在數(shù)據(jù)傾斜的部分進一步分割，可以加速計算。
第三個優(yōu)化點是提升核心UDF的性能。UDF 的性能很大程度上決定了處理流程的時間長短。通過代碼審查，找出性能可以優(yōu)化的節(jié)點進行代碼優(yōu)化。另外，將Python的UDF改成Java的UDF也可以提升一部分性能。
第四個優(yōu)化點是引擎配置調優(yōu)，例如開啟數(shù)據(jù)壓縮傳輸、合理設置map/reduce數(shù)、合理應用Hash/Range Cluster索引機制等。
第五個優(yōu)化點是將MR streaming節(jié)點改寫為SELECT TRANSFORM方式。SELECT TRANSFORM的性能很好，而且也更靈活，能夠提高計算節(jié)點的可擴展性。
【拓展】SELECT TRANSFORM介紹
很多時候我們面對的是這么一種場景，SQL內置的函數(shù)不能支持把數(shù)據(jù)A變成數(shù)據(jù)B的功能，所以我們用一個腳本來實現(xiàn)，而我們又想讓它分布式的執(zhí)行。這樣的場景可以用使用SELECT TRANSFORM來實現(xiàn)。
SELECT TRANSFORM功能允許SQL用戶指定啟動一個子進程，將輸入數(shù)據(jù)按照一定的格式通過stdin輸入子進程，并且通過解析子進程的stdout輸出來獲取輸出數(shù)據(jù)。SELECT TRANSFORM非常靈活，不僅支持java和python，還支持shell，perl等其它腳本和工具。
大數(shù)據(jù)治理需要牽扯到大量的表和節(jié)點上線、下線、測試、添加監(jiān)控等，如果每個環(huán)節(jié)都需要人工操作，都要耗費很多人力，因此使用一些自動化和半自動工具可以顯著提高效率，減少人工成本。
主要涉及到了數(shù)據(jù)比對工具、節(jié)點批量下線工具、自動化測試工具等。
大數(shù)據(jù)治理與業(yè)務的正常發(fā)展是同步進行的，這就需要一個平滑的過渡過程。
這一步的作用是驗證經(jīng)過治理后的數(shù)據(jù)是下游數(shù)據(jù)應用方可以正常使用的，可以滿足業(yè)務方使用數(shù)據(jù)的需求。主要需要解決好新舊數(shù)據(jù)表字段映射、字段擴展后數(shù)據(jù)補錄等問題。
業(yè)務的遷移按照灰度原則，先遷業(yè)務輕體量小的，后遷業(yè)務重體量大的。分批次遷移之后持續(xù)跟蹤、分析數(shù)據(jù)波動情況，一旦發(fā)現(xiàn)問題及早修復，以保障數(shù)據(jù)質量的可靠性。
在增量數(shù)據(jù)上驗證通過后，下一步就是遷移存量數(shù)據(jù)了。這一步需要關注的是存儲空間的問題，一次性增加太多的新數(shù)據(jù)存儲，舊數(shù)據(jù)來不及釋放，會使得存儲壓力大增。
大數(shù)據(jù)治理的效果體現(xiàn)在數(shù)據(jù)存儲成本是否降低、數(shù)據(jù)產(chǎn)出周期是否縮短、數(shù)據(jù)質量是否提高、數(shù)據(jù)量增長勢頭是否減緩等方面。
大數(shù)據(jù)治理的過程是一個很好的梳理現(xiàn)有業(yè)務的機會。一次成功的數(shù)據(jù)治理不僅給企業(yè)帶來成本、效能上的改善，還鍛煉了數(shù)據(jù)團隊，為數(shù)據(jù)價值體系建設奠定了基礎。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網(wǎng)絡信息。
一、根據(jù)《網(wǎng)絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網(wǎng)絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治?。?br /> 2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網(wǎng)站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權歸屬本網(wǎng)站所有)