优化目的主要分为以下几点:
- 缩短画像整体的SLA。
- 减少中间表层级。
- 减少中间表数量。
- 减少计算资源。
- 减少存储资源。
- 方便后续迭代。
- 避免后续下游使用歧义,减少case。
在重构过程中,可以从以下2个层面进行:
数据治理层面
- 表结构——在非必要情况下,尽可能不对表结构和字段名称进行更改。最大限度对下游使用无感知,以达到重构成本最低。
- 字段命名——除去命名极其不规范,或对下游极易造成歧义的字段命名,应在重构时进行更改。
- 注释——在重构前,如有注释不清楚,容易造成歧义,应重新修改备注,同时在重构的脚本中完善取值逻辑备注,以便后续迭代。
- 业务本身——从业务角度出发,将每个画像按照分为点评侧与美团侧,之后再进行细分,以达到业务逻辑梳理明确,方便后续迭代等。
- 中间表——对原有众多的中间表。如下游使用仅仅是本画像,可省略该中间表,减少计算和存储资源。
- 尽量保留全量的商户——由于画像(数据集市),是对下游很多的应用和OLAP分析的出口,所以没有特殊情况,务必保留全量的商户,不要去where里加限定条件,务必保证复用性最大化。
脚本优化层面
- 少用union all——旧画像中存在大量union all,再group by。这不但会使后续迭代维护困难,且这会导致数据量激增,造成有数据倾斜风险。
- 少用子查询——尽可能减少MapReduce任务。所以能够在一个查询里面进行判断计算出的结果,不要写子查询。
- 减少where条件——若非必要,不要在where条件,将判断条件写在select中的字段里,case when去做判断。减少MapReduce任务,省去不必要的开销。达到资源优化最大。
- 最后关联维度表——不管有几张中间表,最后写入结果表时,再去关联维度表(比如在此次重构过程中,最后再去关联商户维度表),从而不管是在优化上,还是后续迭代维护,都是方便很多。
- 合并小文件——小文件一多,会对NameNode的压力激增,导致无用的资源浪费。