CN109885584A - 分布式数据分析平台的实现方法及终端设备 - Google Patents

Abstract

本发明适用于数据分析技术领域，提供了一种分布式数据分析平台的实现方法及终端设备，该方法包括：设置采用Pig Latin语言编写的查询分析文本，将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划，将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，将所述逻辑执行计划映射为物理计划，以解决现有技术中在大规模数据时代，采用传统的分布式数据分析处理平台仅适合离线批处理应用场景，无法进行实时计算和交互式计算，导致数据分析处理的过程效率较低的问题。

Description

分布式数据分析平台的实现方法及终端设备

技术领域

本发明属于数据分析技术领域，尤其涉及一种分布式数据分析平台的实现方法及终端设备。

背景技术

随着互联网技术的不断发展，互联网上的数据以指数级的速度增长，另外由于数据来源的多样性，造成了数据格式的异构性，比如既有结构化的数据又有非结构化的数据，甚至还有半结构化的数据。在大数据时代，传统的数据库和操作***本地存储文件的方式显然不适用，传统的单机***己经不胜任如此巨大的数据分析任务，并且传统的基于小数据量的算法的分析准确度也远低于基于大数据量的分析结果，另外单一的开源框架也不能提供完整的、通用的数据分析解决方案。传统的分布式数据分析处理平台通常是基于MapReduce实现的，然而Hadoop MapReduc仅适合离线批处理应用场景，随着大数据领域的快速发展，实时计算和交互式计算场景越来越普遍，MapReduce的缺陷逐渐暴露。

发明内容

有鉴于此，本发明实施例提供了一种分布式数据分析平台的实现方法及终端设备，以解决现有技术中在大规模数据时代，采用传统的分布式数据分析处理平台仅适合离线批处理应用场景，无法进行实时计算和交互式计算，导致数据分析处理的过程效率较低的问题。

本发明实施例的第一方面提供了一种分布式数据分析平台的实现方法，包括：

设置采用Pig Latin语言编写的查询分析文本；

将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；

将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；

将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

在一实施例中，所述将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划，包括：

根据Pig的语法规则和语法解析工具，将所述查询分析文本进行语法解析，构造抽象语法树；

遍历所述抽象语法树，获取查询或分析的基本组成单元；

根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划。

在一实施例中，在所述根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划之后，还包括：

根据预设规则，优化所述Pig逻辑计划。

在一实施例中，所述将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，包括：

采用转化类将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，所述转化类包括以下至少一种：Pig Translation Visitor、Logical Plan Translation Visitor、Expression Plan Translation Visitor和Nested Plan Translation Visitor。

在一实施例中，所述将所述逻辑执行计划映射为物理计划，包括：

将所述逻辑执行计划进行优化后转换为一系列的逻辑执行步骤；

将所述逻辑执行步骤转换为物理计划。

在一实施例中，其特征在于，在所述设置采用Pig Latin语言编写的查询分析文本之前，还包括：

采集结构化数据、半结构化数据和非结构化数据；

对采集的所述结构化数据、所述半结构化数据和所述非结构化数据进行存储。

在一实施例中，所述采集结构化数据、半结构化数据和非结构化数据，包括：

根据预设数据采集模型，通过数据采集接口对结构化数据、半结构化数据和非结构化数据进行采集。

本发明实施例的第二方面提供了一种分布式数据分析平台的实现装置，包括：

设置模块，用于设置采用Pig Latin语言编写的查询分析文本；

解析模块，用于将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；

任务转换模块，用于将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；

查询优化模块，用于将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述分布式数据分析平台的实现方法所述的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述分布式数据分析平台的实现方法所述的步骤。

本发明实施例与现有技术相比存在的有益效果是：通过设置采用Pig Latin语言编写的查询分析文本，将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划，将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，将所述逻辑执行计划映射为物理计划，可以将Pig语言最终转化为内存计算框架的对分布式数据集的操作，本发明实施例将形式简单的Pig语言与运行高效的内存计算模型相结合，使得数据分析处理的过程更加方便高效。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种分布式数据分析平台的实现方法的实现流程示意图；

图2是本发明实施例提供的另一种分布式数据分析平台的实现方法的实现流程示意图；

图3是本发明实施例提供的分布式数据分析平台的实现装置的示例图；

图4是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

本发明实施例提供一种分布式数据分析平台的实现，如图1所示，该方法包括以下步骤：

步骤101，设置采用Pig Latin语言编写的查询分析文本。

使用Pig Latin语言编写的查询分析文本，并上传至本实施例中的分布式数据分析平台。

可选的，在步骤101之前，还包括：

采集结构化数据、半结构化数据和非结构化数据。可选的，根据预设数据采集模型，通过数据采集接口对结构化数据、半结构化数据和非结构化数据进行采集。本实施例中对数据进行采集时，采用一种通用的数据采集模型，并且为了应对不同的数据并发量，提供了基于不同传输协议的数据采集接口，另外对经过验证的数据提供了数据缓存和分发功能。

进一步的，对采集的所述结构化数据、所述半结构化数据和所述非结构化数据进行存储。本实施例中综合了多种存储方式。

步骤102，将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划。

可选的，本实施例中的分布式数据分析平台使用类SQL解析器进行程序语言的解析，将上传的查询分析文本解析为一个包含逻辑关系操作符的Pig逻辑计划，然后对该Pig逻辑计划进行初步优化。

进一步可选的，如图2所示，步骤102可包括以下子步骤。

步骤1021，根据Pig的语法规则和语法解析工具，将所述查询分析文本进行语法解析，构造抽象语法树。

可选的，Pig平台的GruntParser类里的parse()函数依据PigScriptParser.jj文件完成抽象语法树的生成。

步骤1022，遍历所述抽象语法树，获取查询或分析的基本组成单元。

步骤1023，根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划。

可选的，PigServer的QueryParserDriverde的parse()方法会遍历解析抽象语法树并返回逻辑计划，然后由LogicalPlanGenera-tor类生成具体的逻辑执行计划。

进一步的，根据预设规则，优化所述Pig逻辑计划。由Pig Server初始化HExecution Engine，并针对不同的情况组合出不同的优化策略，然后由HExecu-tionEngine.compile(Logical Plan，Properties)对逻辑计划进行优化。

步骤103，将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划。

可选的，本步骤是分布式数据分析平台的核心部分，包含多个自定义的转化类，所述转化类包括以下至少一种：Pig Translation Visitor、Logical Plan TranslationVisitor、Expression Plan Translation Visitor和Nested Plan Translation Visitor。

步骤104，将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

可选的，将逻辑执行计划进行优化，例如将连续的映射转化为流水线化执行，将多个操作合并到一个步骤中等等。这样基于分布式数据分析平台中大规模数据处理计算引擎框架就将逻辑计划转为一系列步骤，每个步骤由多个任务组成，其中任务是大规模数据处理计算引擎框架中最小的工作单元，然后将这些逻辑步骤转化为具体的物理计划，即将优化后的逻辑执行计划映射到物理操作类，这些操作类都是分布式数据集的操作，最后将物理计划交由执行节点执行。具体执行逻辑完全交给内存计算模型的DAGScheduler(有向无环图调度器)去切分，切分作业为多个操作过程，并内部转化为多个任务集，由TaskScheduler(任务调度器)完成任务的调度，最终交由相应的节点进行执行。

如图2所示，步骤104具体包括以下子步骤：

步骤1041，将所述逻辑执行计划进行优化后转换为一系列的逻辑执行步骤。

步骤1042，将所述逻辑执行步骤转换为物理计划。

进一步的，所述物理计划中的每个节点包含一个execute()执行方法，所述执行方法用于查询或分析分布式数据集中数据，即可执行一个或多个分布式数据集的操作，这些分布式数据集的操作就是数据查询分析的方法。

本发明实施例提供一种分布式数据分析平台的实现方法，通过设置采用PigLatin语言编写的查询分析文本；将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

将传统的数据分析平台Pig的语言层-PigLatin与基于大数据处理计算引擎框架进行集成，本实施例将传统的数据分析平台Pig的语言层-PigLatin与基于大数据处理计算引擎框架进行集成，既保留了Hadoop MapReduce的优点，具有良好的容错性和扩展性等，同时克服了MapReduce在迭代式计算和交互式计算方面的缺陷。将形式简单的Pig语言与运行高效的内存计算模型相结合，使得数据分析处理的过程更加方便高效，同时提供完整的数据分析平台，省去传统使用模型做数据处理时一些繁琐的操作。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例提供一种分布式数据分析平台的实现装置，如图3所示，该装置包括：设置模块301，解析模块302，任务转换模块303，查询优化模块304。

设置模块301，用于设置采用Pig Latin语言编写的查询分析文本。

进一步的，所述装置还用于采集结构化数据、半结构化数据和非结构化数据；对采集的所述结构化数据、所述半结构化数据和所述非结构化数据进行存储。

解析模块302，用于将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划。

可选的，所述解析模块302，还用于根据Pig的语法规则和语法解析工具，将所述查询分析文本进行语法解析，构造抽象语法树；遍历所述抽象语法树，获取查询或分析的基本组成单元；根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划。根据预设规则，优化所述Pig逻辑计划。

任务转换模块303，用于将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划。

可选的，所述任务转换模块303，还用于采用转化类将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，所述转化类包括以下至少一种：Pig Translation Visitor、Logical Plan Translation Visitor、Expression Plan Translation Visitor和NestedPlan Translation Visitor。

查询优化模块304，用于将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

所述查询优化模块304，还用于将所述逻辑执行计划进行优化后转换为一系列的逻辑执行步骤；将所述逻辑执行步骤转换为物理计划。

本发明实施例提供一种分布式数据分析平台的实现装置，通过设置模块，用于设置采用Pig Latin语言编写的查询分析文本；解析模块，用于将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；任务转换模块，用于将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；查询优化模块，用于将所述逻辑执行计划映射为物理计划，可以将Pig语言最终转化为内存计算框架的对分布式数据集的操作，将形式简单的Pig语言与运行高效的内存计算模型相结合，使得数据分析处理的过程更加方便高效。

图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如分布式数据分析平台的实现程序。所述处理器401执行所述计算机程序403时实现上述分布式数据分析平台的实现方法实施例中的步骤，例如图1所示的步骤101至104。所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图3所示模块301至304的功能。

示例性的，所述计算机程序403可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述分布式数据分析平台的实现装置或者终端设备4中的执行过程。例如，所述计算机程序403可以被分割成设置模块301，解析模块302，任务转换模块303，查询优化模块304，各模块具体功能如图3所示，在此不再一一赘述。

所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器402可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器402也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备4所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种分布式数据分析平台的实现方法，其特征在于，包括：

设置采用Pig Latin语言编写的查询分析文本；

将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；

将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；

将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

2.如权利要求1所述的分布式数据分析平台的实现方法，其特征在于，所述将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划，包括：

根据Pig的语法规则和语法解析工具，将所述查询分析文本进行语法解析，构造抽象语法树；

遍历所述抽象语法树，获取查询或分析的基本组成单元；

根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划。

3.如权利要求2所述的分布式数据分析平台的实现方法，其特征在于，在所述根据所述基本组成单元生成包含逻辑关系操作符的所述Pig逻辑计划之后，还包括：

根据预设规则，优化所述Pig逻辑计划。

4.如权利要求3所述的分布式数据分析平台的实现方法，其特征在于，所述将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，包括：

采用转化类将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划，所述转化类包括以下至少一种：Pig Translation Visitor、Logical Plan Translation Visitor、Expression Plan Translation Visitor和Nested Plan Translation Visitor。

5.如权利要求4所述的分布式数据分析平台的实现方法，其特征在于，所述将所述逻辑执行计划映射为物理计划，包括：

将所述逻辑执行计划进行优化后转换为一系列的逻辑执行步骤；

将所述逻辑执行步骤转换为物理计划。

6.如权利要求1至5中任一项所述的分布式数据分析平台的实现方法，其特征在于，在所述设置采用Pig Latin语言编写的查询分析文本之前，还包括：

采集结构化数据、半结构化数据和非结构化数据；

对采集的所述结构化数据、所述半结构化数据和所述非结构化数据进行存储。

7.如权利要求6所述的分布式数据分析平台的实现方法，其特征在于，所述采集结构化数据、半结构化数据和非结构化数据，包括：

根据预设数据采集模型，通过数据采集接口对结构化数据、半结构化数据和非结构化数据进行采集。

8.一种分布式数据分析平台的实现装置，其特征在于，包括：

设置模块，用于设置采用Pig Latin语言编写的查询分析文本；

解析模块，用于将所述查询分析文本解析为包含逻辑关系操作符的Pig逻辑计划；

任务转换模块，用于将所述Pig逻辑计划转化为内存计算模型的逻辑执行计划；

查询优化模块，用于将所述逻辑执行计划映射为物理计划，所述物理计划中的每个节点包含一个执行方法，所述执行方法用于查询或分析分布式数据集中数据。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。