kafka菜鸟教程，你头秃都没想到还能这样吧，

最新推荐文章于 2024-10-04 15:33:00 发布

JAVA无声

最新推荐文章于 2024-10-04 15:33:00 发布

阅读量906

点赞数 13

分类专栏：程序员文章标签： kafka 分布式

本文链接：https://blog.csdn.net/a369966697/article/details/136570128

版权

程序员专栏收录该内容

780 篇文章 0 订阅

订阅专栏

系统介绍

整个系统可以从功能上分为3块：

业务系统：在上游有很多的业务系统，业务系统的运行产生很多的数据，这些数据分散在很多的数据库中，大部分是MySQL数据库
数据智能平台：数据智能平台属于中台系统，主要为业务系统提供强大的数据支撑服务，下层连接数仓。
数据仓库：数据仓库统一集中的管理所有的数据，数仓会将业务系统产生的数据按天进行加工、抽取、转换到数据仓库存储。

当一天结束后，各个业务系统产生了大量的数据，这些数据由定时任务进行加工、抽取到数据仓库存储，当半夜你还在睡觉的时候，这些定时任务就在默默的运行着。

而每天加工的数据通常要求在上班工作时间之前加工完成，然后通过数据智能平台的查询系统供业务系统查询调用，这一次数据没有查询到是因为在第二天早上10点，数据还没有加工完成。下面就是找问题优化了，因为正常来讲，即使定时任务链再长，也不会慢到第二天10点钟数据还没有出来。下面就是找问题，然后进行优化了。

任务优化

通过任务日志发现有一个上游系统的数据抽取执行时间有3个小时，而数据量仅100万。当然，光凭这样还无法确定这个任务是否是可以被优化的。

查看任务代码，逻辑还比较简单：有一张原始数据表，记录商品信息以及定义的分类(这一点是虚构的，实际情况要复杂一些，我这里精简然后转换了一下，便于理解)，而数仓的目标表是将分类和商品分别存储在不同的表中，大致结构如下。

那为什么需要进行这样的转换呢？这是因为整个大的系统，一般来说只能定义一些基本的规范，而具体的细节规范则无法约束，比如A系统的身份证字段名称为card_no,而B系统的身份证字段名称为crdt_no(这种情况大家应该经常遇到)；再比如处理实体关系的时候，处理方式也是不同的，1对1的关系，可以建两张表关联，也可以一张表都存储，这就造成了多个系统的不统一性，而这种情况是不可避免的，因为从业务系统来说，都保证了系统的正常运行。

而数仓对多个原始数据处理的时候就需要考虑到兼容的问题，所以就会出现如上图的转换过程。

而这个任务执行3个小时的原因在于原始表中的一条记录，会转换到数仓表中的三张表中，而且这三张表是通过id进行关联，整个代码流程如下。

然而问题来了，100万的数据，跑了3个小时，然后我开始尝试去优化程序的执行流程，大概从一下几点入手

将分类缓存，分类在系统中已经固定，不会发生变化，缓存可以减少查询数据库的次数
每次从原表中读取的数据更多，从原来的500/次 -> 2000/次

经过优化，效率有一些提升，但并不是很明显(有同学可能要问了，这些都是很基本的，为什么最开始做？咳咳。。。这个嘛，历史原因吧，在最开始数据可能不多，不论以什么方式执行，都差别不大，比如执行10分钟和执行20分钟，看似2倍的执行效率，但是由于没有影响到业务系统，且一直正常运行，也就没有看出问题)。

这里数据是需要关联的，所以我们是需要插入数据并拿到这条记录的自增长id，然后插入到关联表，而表结构基本不可能去动的(表结构动了那真是牵一发而动全身了，第二天准得被叫去喝茶)。

那么我们先来分析一下这里为什么执行这么慢呢。

原表100万的数据，每次查询出2000条，所以查询的总次数就是1000000/2000 = 500次，这肯定消耗不了多少时间。这里基本没有优化的空间，就算一次全部查询出来，也仅仅节省499次的查询时间(也不可能一次查询这么多数据)
查询的2000条数据，数据转换，然后依次插入到信息表以及关联表中，这里是一条一条解析执行的，总计插入数据库4000次，毫无疑问，这里是最耗时的。数据转换是必须的，而且是在内存中操作，所以耗时不是特别多；那么剩下的就是总计100万 * 2的数据库插入次数，能否进行优化呢？

首先想到的就是批量插入，批量插入可以有效的降低数据库访问次数。但是这里不能进行批量插入是因为需要取到自增长id，感觉陷入了困境。