转载

大数据的OLAP技术

在互联网的技术浪潮冲击下，不少传统企业也纷纷涉水大数据技术。以笔者经历的两个项目为例，传统企业与互联网公司相比有两个特点：

企业应用比较笨重和复杂，云计算等基础架构平台，互联网需要的是水平规模化扩展，但对传统企业来讲，更需要的是垂直一体化部署复杂的依赖并且方便重用；
企业数据，包括关系型的交易数据、日志、文档、电子邮件等等，但总体还是结构化数据占多数；互联网则是非结构化数据为主，如网页、图片、服务器日志等，在网页搜索或广告推荐等领域，高维数据分析比较常见。

和企业私有云的架构一样，对企业的大数据平台，我们很难直接去简单复制互联网的海量存储或计算平台技术，如Hadoop、HBase、Spark；因为这些技术搭建的只是一个数据的基础设施，要在传统企业实施“大数据平台”，我们的思路是，如何将传统的商业智能运行在“大数据平台”之上。

OLAP – 联机分析

OLAP联机分析是从多维信息、针对特定问题的联机数据进行访问和分析的技术。从分析的角度出发，数据源需提供以下操作支持：

维度和指标
聚合
上卷、下钻
水平、垂直切分
排序

下面是一个数据表示例：

Date	Country	City	OS	Browser	Sale
2014-01-23	China	Beijing	OSX	Chrome	0.0
2014-01-24	China	Shanghai	Windows	IE8	8.0
2014-01-24	China	Beijing	OSX	Safari	20.0
2014-01-25	China	Chengdu	Linux	Chrome	12.0
2014-01-26	China	Beijing	Windows	Firefox	30.0
5 visits4 days	1 countryChina: 5	3 cities: Beijing: 3 Shanghi: 1 Chengdu: 1	3 OS-es Windows：2 OSX：2 Linux：1	3 browsers Chrome：2 Firefox：1 IE8：1 Safari：1	70.04 sales

上卷至Country维度

SELECT COUNT(visits), SUM(sales) GROUP BY country

Country	Visits	Sales
China	5	$70

根据Browser拆分

SELECT COUNT(visits), SUM(sales) GROUP BY country HAVING browser = "Chrome"

Country	Visits	Sales
China	2	$12

查询Sales最高的Browers

SELECT SUM(sales), COUNT(visits) GROUP BY browser ORDER BY sales

Browser	Sales	Visits
Firefox	$30	1
Safari	$20	1
Chrome	$12	2
IE8	$8	1

通常OLAP的多维数据源由数据方（Cube）提供，关系型数据库或数据仓库都能提供数据方的设计，相对于数据库，数据仓库是昂贵的软硬件解决方案，而互联网普遍采用基于Hadoop技术构建的海量数据处理平台，在这里是否可以作为数据仓库的替代品呢？其核心技术还是，如何基于Hadoop来构建数据方。

Pre-aggregate – 预聚合数据

对数据库来说，数据聚合通常是实时的。实时聚合的好处是灵活，可以对任意列进行查询，缺点是CPU、I/O开销较大，数据量大时查询缓慢，吞吐量低；而对Hadoop这样的非实时计算、大量数据处理的平台来说，很适合对数据进行预聚合处理，预聚合的优点是查询快速高效，但缺点是无法灵活查询，比如未进行聚合处理的数据。

在基于Hadoop进行预聚合处理上，Adobe提供了一些经验：