【IT168 专稿】本文根据【2016 第七届中国数据库技术大会】（微信搜索DTCC2014,关注中国数据库技术大会公众号）现场演讲嘉宾张琪老师分享内容整理而成。录音整理及文字编辑IT168@田晓旭@老鱼。

　　嘉宾介绍：

　　张琪，百度高级产品经理、百度开放云(bce.baidu.com)大数据平台的产品负责人，热爱数据热衷布道，希望打造良心产品以及交流核心技术，帮助中国企业充分发挥其数据的商业价值。

▲百度高级产品经理 张琪

　　正文：

　　我今天要和大家分享的主题是大数据时代的数据仓储。大数据和数据仓储，大家都耳熟能详，今天我换一个角度来和大家分享一下。

　　依靠科学方法来获得洞察力

　　首先我要和大家讲的是科学方法。下图是维基百科对此做出的解释。最开始是我们要在自然界中寻找一些现象，例如猜测DNA是不是一个双螺旋的结构，接下来可以提一些有趣的问题，如果DNA是双螺旋结构那么从上往下看应该是×形状。然后就是能够用实验来验证，比如使用X衍射的方法来证明DNA果然呈现了×形状，从而推断出DNA确实是一个双螺旋的形状。

　　在科学方法提出来之前，知识的传授更多的是靠口口相传。亚里士多德曾经在他的书里写到：男人的牙齿要比女人多三颗，因为他的老师是这么教他的。但是亚里士多德其实结过两次婚，他只要找他任何一个太太，张嘴，数一数他俩的牙齿是不是一样多，就能够验证这个定理是不是真的。但是很可惜，虽然他经历了两次婚姻，他也没有去做这个。所以我们现在非常强调科学方法，因为有了科学方法才能够帮助你去验证一个理论是不是正确，才能够获得最终的洞察力。

　　其实在整个科学方法里面最重要的就是这个小三角，即数据分析。你要开发一套可以检测的方法，收集数据来验证、推翻或者改良你的假设，这样你就能找到真的洞察力了。

　　根据维基百科来看数据分析其实是比较简单的三步。第一步收集原始数据，在这个大漏斗中，最左边的是自然环境中的各种信号、逻辑，通过收集把它转换成data，有了data之后进行各种的加工处理，把它变成计算机可以解决的一些信息，我们叫它information，在information的基础上再去进行分析，得到最后的洞察力，那就是intelligence。

　　第一步我们拿到的是data，第二步产生的是information，但是有一些说法是解决information的技术——information technology，IT过时了，而date technology是流行的，DT要比IT好。但大家看这个是不是倒过来了，因为DT是比较初等的，而IT比较高级。但是其实这个时代真正的IT应该是最右边的intelligence technology，就是你获得的真正的洞察力。这里还有一个例子可以证实我的观点。大家想一想乔丹当时为耐克作代言说的什么话?Just do IT，他并没有说Just do DT。希望大家把整个的数据分析的因和果、纲和目搞清楚，我们最终目标是要获得洞察力，而前面处理数据信息只是我们的方法而已。

　　OLAP vs OLAP

　　其实使用MySQL这样的OLTP是可以获得洞察力的，但是可以做并不代表它是优化的。其实我们现在讲得更多的是一个OLAP。我们做一个简单的对比，OLTP做的是什么?就是一些日常的事务处理，比如说你在ATM机上存取钱，这样一些小的CRUD的操作。而OLAP更多的是什么?分析。大家知道企业里面有一些数据科学家，在做分析的时候，它更多的是关于复杂的查询和机器的查询，你直接去发一个查询，它很快会把结果给你。

　　1.访问模式上，OLTP更多的是少量操作的数据，因为你的增删改，大多数时候都是一行的数据，而OLAP由于做复杂的查询，它会一下子跳出来很多很多的数据，有时候可能是全表查询。

　　2.数据类型，OLTP更多的是最新状态的切片，历史的数据都被覆写掉了，只有在你的日志里才能找到，而OLAP因为是要查询到整个状态，所以它就会带上时间标签，是完整的时间数据。

　　3.数据规模，MySQL这样子的数据库一般是到GB级，但是如果要做OLAP分析，数据规模少则是TB级，多则上就会到PB级。

　　4.数据更新，OLTP一般都是实时更新，进行数据操作以后，数据就已经进去了，但是OLAP可能会有一些延迟，例如ATM机器的状态更新了，但是它需要一定的时间把数据拉到数据仓库里面做分析，所以它会有一定的延迟，当然现在有越来越多的技术使时间窗口越来越小。

　　5.数据组织方式，OLTP大多采用的是第三范式，而OLAP更多的采用的数据结构是星型模型或扁平数据，会有一张很长的流水表作为它的维度表，有一些具体信息会放在组件里面，这样可以减少冗余。还有另一种做法，大数据时代来了，要做join其实还是很痛苦的，那么我们也允许一部分的数据冗余，索性就把这些数据打散，放到一张大表里面。

　　6.工具支持，数据分析其实是一个非常高大上的工作，会玩SQL是件好事，但是更多的情况下，能不能用一些业界非常流行的BI工具跟背后的系统进行整合，用户通过拖拖拽拽，就可以作出很多很漂亮的报表，获得最终的洞察力。大家要记得洞察力才是我们的终极目标，技术只是锦上添花。传统的OLTP的BI工具都会支持内存里的基于列的压缩技术，因为只有把数据打到内存里面来，并且以列的形式压缩好，交互速度才会非常快，同时也不会影响数据库的性能。但是反观OLAP，因为背后的数据量都是TB级到PB级的，传统的BI工具几乎都无法实现将这样的数据量压缩到内存，所以BI工具都是直接访问数据的。

　　应时代两大变化：大数据and云计算

　　OLTP、OLAP技术和很多的传统工具其实已经做得很好了，但为什么今天我们还要来讲这样的东西呢?这里我想引用的一句名言，就是格罗姆·地狱咆哮说的“时代变了”。

　　我们现在什么时代变了呢?在这里我主要强调两点，一个是大数据来了，数据量大和多样性是这个时代的鲜明特征。现在的数据时代，规整的结构化的数据是少量的，大量的是IOT互联网数据，社交数据，用户日志、行为。第二个时代变化就是云计算，虽然现在很多企业基于数据安全、企业技术倾向、历史问题等等原因还在做私有云，但是云计算还是势不可挡的来了。

　　云计算带来很多的好处，下面着重为大家讲一下托管服务。现在开源产品很受欢迎，大部分的商业产品都跟开源产品接口是兼容的。但是在运维产品的时候，大家不可避免的都会碰到各种各样的坑，若是要雇佣一个有开源产品运维能力的人，难度较大、薪资也会比较高。所以托管服务是很有优势的。例如现在要建一个Hadoop集群或者Spark集群，你要先审批，然后买硬件，装软件、部署、测试，如果将来业务量大了，还得重新去扩容。但是对于托管服务来说，在云端一键部署，几分钟就可以建一个集群。而且它除了快速开发还可以按需购买，你只需支付你使用期间的费用即可。它也可以支持弹性扩容，同时也具有高可用性和低运维成本，托管服务可以将运维交给团队工程师来做，大家只需专注于自己的业务就可以了。

　　大数据的问题怎么解决呢?现在基本上有两套技术，一套是Hadoop，这是大家非常熟悉的，这里只讲跟OLAP分析相关的Hadoop技术：底层的HDFS和YARN分别能够把存储、计算这两部分调动起来，我们上面有Hive、Pig可以做查询和批处理，右边的Spark SQL可以做内存查询，HBase是用来存储的。

　　接下来介绍一下Hadoop在存储引擎方面的特性：

　　1.Hadoop除了有HDFS之外，其实很多Hadoop的发行版本都是能跟云端的存储进行交互的，比如BOS。对象存储BOS是百度开发的一个对象存储用的HDFS接口。这样做的好处是你的存储不一定要放在自己的集群里，你可以做到存储与计算分离，大量的历史数据可以放到存储里面，然后直接从上面获取数据处理就可以了。

　　2.高效压缩的列存储，在分析型的场景里数据如果按照一行行存很是浪费，我们一般会对列做压缩存储。

　　3.数据分区，我把前天的业务数据放一个文件里面，昨天的业务数据放一个文件里面，那么在做查询的时候就不用对所有数据进行查询，只对需要的数据进行处理。

　　4.智能索引，现在一些开源产品引入了索引，很明显的提高了查询效率。

　　5.分布式数据库导入，对于Hadoop来说，底下的存储即使是S3、Azure Storage，不是本地的HDFS，它也是一个集群的结点，所以如果你从数据库导入的话，集群计算的效率是非常高的。

　　Hadoop查询引擎特性：

　　1.使用HiveQL、Spark SQL这些最常用的一些查询语言。

　　2.扩展性好，这本来就是Hadoop的特性。

　　3.基于价值的优化器，这项技术在传统的数据库和数据仓库里是非常常见的，现在Hadoop也在慢慢使用。

　　4.大表分布式join。

　　5.谓词下推。

　　总体来讲，Hadoop虽然不是天生为了OLAP而生的，但是上面有越来越多的技术能够在存储和查询上进行演化，同时它也借鉴了很多传统的数据库或数据仓库的分析型技术，正在向前发展。

　　术业有专攻，Hadoop虽然是一个非常好的技术，但是MPP仍然有它的优势。这里我们只讲一个非常特定的MPP实现。所谓MPP就是Massive Parallel Processing即大规模的分布式处理，下面我们讲其中一个架构——Shared Nothing。Shared Nothing架构从结构上看除了网络，节点之间的计算内容和磁盘是不共享的，它的好处也很明显，扩展性非常好。

　　有的数据仓储支持数据一条一条的增删改，但是Columnar Store不支持数据一条条地插入，只支持一大把数据录进去，录进去以后，数据是按照列存储的。列存储有很多的优势，例如在select几个列的时候，和别的列基本就没关系，而且当我往一个列存的时候，如果列里面相邻的数据都是一样的话，那么就会很容易做压缩，同时在查询的时候也有很大的优势。

　　所以MPP + Shared Nothing + Columnar Store这种关系数据仓储其实也能解决大数据的问题，打个比方，百度有一个Palo的产品，百度统计和百度搜索的背后都是这个Palo系统做支持，所以MPP也是一个非常好的解决大数据的方法。

　　MPP在存储方面的优势

　　1.支持分区与指派。分布式系统有很多物理的节点，我可以对数据可以进行一部分的分区，但是这个partition要落到哪个物理节点，我们是可以进行指派的。这样做的好处是当你做数据join的时候，如果组件相同但属于不同表的数据在一个物理节点的情况下，本地就可以操作。而Hadoop最早的HDFS是一个文件系统，它没有为多表数据join进行任何的优化。

　　2.单表容量上限到TB级。

　　3.复合分区是指很多的数据仓库会利用磁盘上不同性质的磁盘。

　　4.高效压缩的列仓储。

　　5.少批量导入和批量原子提交。

　　6.多版本并发控制MVCC。

　　7.高效的数据分布导入。

　　8.完善的分布式框架关系。

　　MPP本身就是关系型数据仓库，在查询方面有着得天独厚的优势。

　　1.完全兼容MySQL ，使用任何一个MySQL的工具都能够连上这个关系性数据仓库。

　　2.MPP架构扩展性非常好，但是MPP架构扩展性要比MapReduce差一些，PB级就是它的瓶颈，但是PB级以下MPP还是很有优势的。

　　3.大表分布式join，由于可以分区和指派，所以join性能是非常好的。

　　4.复杂谓词下推。

　　5.分区剪枝。

　　6.向量执行引擎。

　　7.库内分析。

　　8.丰富的SQL表达式。

　　下面对比一下Hadoop和MPP的相同点和不同点，帮助大家做技术架构的选型。

　　1.架构，Hadoop有非常流行的两个架构，一个是传统的Hadoop MapReduce，另一个是Spark Dataflow，而MPP比较流行的是MPP + Shared Nothing + Columnar。

　　2.数据，Hadoop能够处理结构化、半结构化，甚至是非结构化的数据。而MPP只能处理结构化关系型数据。

　　3.存储，Hadoop除了能够支持HDFS之外，它还有分区、压缩、索引这样的技术。MPP基本上跟它一样，唯一不一样的就是数据近邻。

　　4.查询接口，Hadoop上比较流行的是HiveQL、Spark SQL，但是传统的关联数据库一般都是兼容SQL的。

　　5.查询引擎，Hadoop和MPP基本上都是差不多的，但是传统的MPP架构的数据仓库分布式join和基于成本的优化器方面有得天独厚的优势。

　　大数据时代很多人都在关注Hadoop，对MPP关注不多，其实MPP和Hadoop是互补的技术，大家可以根据自己的业务需求来选择。

　　云时代的来临给我们带来了哪些变化呢?

　　1.随着大数据时代的来临，网站日志、用户行为数据、社交媒体、传感器等等都在云端产生了海量非结构化数据。

　　2.与企业外的云端数据交互获取更强的竞争力。

　　3.传统的数据仓库或者Hadoop集群建设，需要经过采购硬件、部署软件、开发运维等步骤，周期冗长，而且无法随着业务动态伸缩。

　　4.运维集群的IT成本日益凸显。

　　云端托管服务成功解决了上述问题。我们认为大数据时代的数据仓储应该是这样一个架构：

　　1.大数据时代来了以后，企业有很多非关系型数据，例如日志、图片、视频等，这样的数据是非常合适像Hadoop这样的大数据平台来处理，在云端我们有一个基于Hadoop的托管服务，叫做BMR，一键生成以后可以在里面做各种各样的应用。

　　2.如果企业内部的数据是一些强关系型的结构化数据，那么推荐大家放到关系型的数据仓库里面。将结构化数据通过ETL载入Palo中，Palo跟MySQL是完全兼容的，只要把数据放进去，原来所有的报表一行代码都不用改，就能够进行查询，速度也非常快。

　　3.通过Hive或者Spark SQL交互式查询BMR中的数据，用来做原型测试或者即席查询。这些组件支持运行时定义表模式(Schema on Read)，方便处理弱结构化数据。非结构化数据可以通过MapReduce或Spark加工成结构化数据。

　　4.变形完成的结构化数据载入Palo，作为企业唯一真实版本(Single Version of the Truth)，帮助企业部门之间协作。

　　5.通过SQL与Palo通讯，使用BI工具进行即席查询或者交互式分析，或者产生数字面板提供自动报表，以获取洞察力。

　　集成BI工具

　　现代商务要使用漂亮的界面来赢得客户，这就要求我们不单是提供数据仓储的技术，还要把整个环节打通，特别是和BI工具的集成。例如有两张表，表里各有3个列，把所有的数据都打到内存里面。在传统数据仓库背景下，MySQL的数据打到BI的报表里面进行交互式查询是可以的，但是在大数据时代的Hadoop或者MPP架构的数据仓库,它根本没有能力把所有的数据都加载进去。数据仓库更适合当中有一张很大的流水表，周围有很多的维度表这样的模式。我们可以把维度表的数据放到内存里面，但是那张巨大的流水表应该放到背后的数据仓库。

　　我在这里有一个demo可以和大家分享一下，这是一个产生Palo数据仓库的实例。 Palo的用法跟传统的关系数据库比较像，先建数据库和表，然后将数据批量导入进去，现在我背后的数据库差不多是有一张大表，大概600万条记录，总体是在500G，周围的维度表相应来说就小一点。这里有两个维度，是根据年和国家能够做一个利润统计，差不多一秒的时间查询结果就出来了。查询速度快的主要原因是它部分的维度数据是在内存里面，而真正的流水表数据已经放到我们的数据库进行查询。

　　数据仓库有Hadoop或MPP架构的产品，但是其实前台一定要想办法跟一个BI工具能够打通，因为在做商务分析的时候，写SQL当然是没有问题。但是数据分析是一个高冷的职业，要求员工既要懂业务，也要懂技术。我们应该把难度降下来，让更多的懂业务的人自己去操作自己去分析，如果我们能够跟一些世界优异的产品，特别是免费产品打通的话，那么对于企业应用数据仓库有很大的帮助。

　　百度开放云大数据平台

　　百度开放云在整个数据分析产品站上的产品还是比较全的，收集层我们提供公网上传、一部分硬盘上传，除此之外，还有一个原生的互联网的基于NQTT协议的IOT托管服务，如果你有设备想要定点上传，就可以使用这个服务。在存储上，除了传统的对象仓储之外，它还提供了HDFS接口。上面主要是BMR和Palo，还有一个机器学习BML，里面的深度学习模块应该是国内比较先进的。最上面，我们在这个产品上加入了商务智能、商品推荐、数字广告营销、设备预测性维保等等这些产品，你可以使用这些产品打造服务，给客户创造更多的价值。

　　展望数据仓储新未来

　　现在数据仓储的技术是基于Hadoop或者MPP，但是将来更多的会往逻辑数据仓库这个方向走。之前的逻辑仓库是先将数据定义一个schema，开始运算后把数据拿出来，虽然有很多传统公司这么做，但是因为技术不到位，所以不是那么主流。但是现在，像数据虚拟化这样的技术越来越成熟，这可能成为一个现实，它的好处就是每次查询的时候总是最新的数据，没有陈旧数据的缓存。另外我还可以对我的元数据进行管理，如果这个数据只是到我的Hive表里，除了这个表名大家可以进行搜索，能不能通过别的一些关键词描绘性地把它搜索出来，能不能做一些分类等。以前这些需求都是没有的，但是现在我们看到越来越多的客户在提这方面的需求。另外一个就是数据湖，不管是Hadoop还是Palo，都是一个托管的集群概念，你还是能够看到里面的节点，但是像数据湖的话，它是允许用户存在裸数据，不用ETL的过程，只存一个结果。另外我能不能把前面的查询做成一个全托管的服务，不生成集群，数据就放在存储里面，随时查询，随时就出结果。这样的话，我不使用集群，我也不为集群付钱，只为查询付钱。但是这里要强调一点，在用这样集群服务的时候一定要注意自己的语法兼容性，最好不要用一些私有的SQL语法，容易被绑定，要多考虑一些像Spark SQL这样开源的一些语言。

　　总而言之，大数据时代除了Hadoop还有MPP，只有这两者结合才会是一个比较好的解决方案。