CN112711588A - 多表连接的方法和装置 - Google Patents
多表连接的方法和装置 Download PDFInfo
- Publication number
- CN112711588A CN112711588A CN201911025018.6A CN201911025018A CN112711588A CN 112711588 A CN112711588 A CN 112711588A CN 201911025018 A CN201911025018 A CN 201911025018A CN 112711588 A CN112711588 A CN 112711588A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- data table
- cluster
- tasks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多表连接的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;基于主键分别统计第一数据表和第二数据表的主键数据量;根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据。该实施方式能够在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种多表连接的方法和装置。
背景技术
JOIN操作是数据表操作最普遍的操作之一,是在两个或以上的数据表中获取其中一个数据表的行与另一个数据表的行相匹配的数据的操作。在执行JOIN操作时通过一个或多个JOIN字段(主键),将两个数据表中相同JOIN字段相同值的数据连接起来。此外,JOIN操作时可能出现数据倾斜的情况,数据倾斜是指在计算数据的时候,数据的分散度不够,导致大量的数据集中到了一台或者几台机器上计算,由于数据量极大,这些数据的计算速度远远低于平均计算速度,导致整个计算过程过慢,甚至导致这一台或者几台机器的内存溢出,无法完成任务。
通常,数据表包括基于spark集群的数据表、基于MapReduce集群的数据表等平台或模型的数据表。
目前,spark集群或MapReduce集群等平台或模型在处理两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果时,现有方法大多无法完成。只有扩容的方式能够在一定程度上完成这种操作,然而当需要扩容的倍数过高时,扩容的方法会造成中间数据量迅速急剧增加,随之而来的是内存和硬盘交换的压力增加。在数据量和扩容要求扩大到超出物理集群能承受的程度时,扩容的方式也会失效,因为扩容的方式极大受制于物理集群的配置。
发明内容
有鉴于此,本发明实施例提供一种多表连接的方法和装置,能够在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种多表连接的方法。
本发明实施例的一种多表连接的方法包括:
获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;
基于主键分别统计第一数据表和第二数据表的主键数据量;
根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为N个子表连接任务;其中,N≥1;
依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据。
可选地,基于主键分别统计第一数据表和第二数据表的主键数据量,包括:
对第一数据表和第二数据表的数据分别按主键进行分组;其中,每组数据对应于同一主键;
分别统计所述第一数据表和所述第二数据表中每组数据的主键数据量。
可选地,根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为至少一个子表连接任务,包括:
将所述第一数据表和所述第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;
计算所述主键乘积之和作为集群数据压力,以及选取所述主键乘积中的最大值作为节点数据压力;
根据所述集群数据压力和所述集群最大压力、或所述节点数据压力和所述节点最大压力,将多表连接任务拆分为N个子表连接任务。
可选地,依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据,包括:
依次执行子表连接任务得到子结果数据;
合并所述子结果数据,得到所述第一数据表和所述第二数据表的多表连接数据。
可选地,依次执行子表连接任务得到子结果数据,包括:
分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;其中,每个固定子数据表对应于一个执行子表连接任务的次序;
在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;其中,每个循环数据表是一个子表连接任务的次序对应的第二数据表;
根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
为实现上述目的,根据本发明实施例的另一方面,提供了一种多表连接的装置。
本发明实施例的一种多表连接的装置包括:
获取模块,用于获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;
统计模块,用于基于主键分别统计第一数据表和第二数据表的主键数据量;
拆分模块,用于根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为N个子表连接任务;其中,N≥1;
执行模块,用于依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据。
可选地,所述统计模块还用于:
对第一数据表和第二数据表的数据分别按主键进行分组;其中,每组数据对应于同一主键;
分别统计所述第一数据表和所述第二数据表中每组数据的主键数据量。
可选地,所述拆分模块还用于:
将所述第一数据表和所述第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;
计算所述主键乘积之和作为集群数据压力,以及选取所述主键乘积中的最大值作为节点数据压力;
根据所述集群数据压力和所述集群最大压力、或所述节点数据压力和所述节点最大压力,将多表连接任务拆分为N个子表连接任务。
可选地,所述执行模块还用于:
依次执行子表连接任务得到子结果数据;
合并所述子结果数据,得到所述第一数据表和所述第二数据表的多表连接数据。
可选地,所述执行模块进一步用于:
分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;其中,每个固定子数据表对应于一个执行子表连接任务的次序;
在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;其中,每个循环数据表是一个子表连接任务的次序对应的第二数据表;
根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
为实现上述目的,根据本发明实施例的又一方面,提供了一种多表连接的电子设备。
本发明实施例的一种多表连接的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种多表连接的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种多表连接的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;基于主键分别统计第一数据表和第二数据表的主键数据量;根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据的技术手段,所以克服了由于数据量巨大、倾斜严重造成的现有技术无法完成多表连接任务的技术问题,进而达到在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的多表连接的方法的主要步骤的示意图;
图2是根据本发明实施例的多表连接的方法的基于主键统计主键数据量的示意图;
图3是根据本发明实施例的多表连接的方法的执行子表连接任务的示意图;
图4是根据本发明实施例的多表连接的装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
现有的对不同结构的数据表进行JOIN操作的方式主要有:
事先筛选:对数据倾斜的KEY进行事先筛选,只保留JOIN字段,并且对会倾斜的KEY单独JOIN处理。这种方式治标不治本,当单个KEY需要JOIN的数据量就超过所能分配内存时,该方式失效。
随机数打散:对JOIN字段中一些空值等不需要的数据一次性加随机值再JOIN,以打散到不同的task中进行处理。这种方式只能处理最后会丢弃的数据,但是当我们要保留所有JOIN后结果的时候,这种方式做不到。
扩容:对其中一个表中每条数据的KEY上加一个N以内的任意随机数,另外一张表每条数据扩容(复制)为N条,每条加一个0-N的不重复数,然后两表进行JOIN。这种方式会产生大量的中间数据。当导致扩容倍数过高,并且可用来交换的磁盘空间有限时,这种方式会造成占用的磁盘空间瞬间猛增,使集群无法再正常使用。
目前,spark集群或MapReduce集群等平台或模型在处理两个极大表的JOIN操作,并且要保留所有JOIN结果时,现有方法大多无法完成。只有扩容的方法能够在一定程度上完成这种操作,然而当需要扩容的倍数过高时,扩容的方法会造成中间数据量迅速急剧增加,随之而来的是内存和硬盘交换的压力增加。在数据量和扩容要求扩大到超出物理集群能承受的程度时,扩容的方式也会失效,因为扩容的方式极大受制于物理集群的配置。
为此,本发明实施例的多表连接的方法提出,靠少量的数据标记和运行记录,达到以时间换空间,将由于数据量巨大、倾斜严重造成本来无法正常完成的JOIN操作正确、平稳的处理完。整体来说,本方案通过预先对两份数据表做分析统计,做到条级别计算整个JOIN操作可能产生的数据压力,然后根据计算出的数据压力,将整个JOIN操作拆分为N个子任务,此时,靠标记和运行记录,将整个任务分成N份,最后集群一次只完成其中的一份子任务,生成一份子结果。如此循环完成N个子任务,产生的N个子结果,子结果的合集就是最终结果。
图1是根据本发明实施例的多表连接的方法的主要步骤的示意图。
如图1所示,本发明实施例的多表连接的方法主要包括以下步骤:
步骤S101:获取服务器集群的集群最大压力和任一服务器节点的节点最大压力。
扩容的方式会造成中间数据量迅速急剧增加,随之而来的是内存和硬盘交换的压力增加。由于扩容的方式受制于物理集群的配置,在数据量和扩容要求扩大到超出物理集群能承受的程度时,扩容的方式也会失效,因此,在拆分多表连接任务前了解服务器集群和其中任一服务器节点能够承受的最大数据压力。通常,服务器集群和服务器节点的数据压力可以根据其执行测试任务的结果、其物理配置或历史数据确定,例如服务器集群上执行测试任务,根据服务器集群的内存分配和任务运行情况总结得出其能承受的最大数据压力。
数据压力是在执行多表连接(即JOIN操作)时产生的JOIN结果条数。在执行JOIN操作时通过一个或多个JOIN字段(主键),将两个数据表中相同JOIN字段相同值的数据连接起来,每条数据对应一个JOIN结果,经过一次两个数据表的这种JOIN操作,所产生的JOIN结果的条数就是数据压力。
步骤S102:基于主键分别统计第一数据表和第二数据表的主键数据量。
由于多表连接任务是通过主键将两个数据表的数据连接起来,所以在拆分多表连接任务前统计第一数据表和第二数据表中每个主键对应的主键数据量,以了解多表连接任务可能带来的数据压力。
本发明实施例的多表连接的方法并不局限于处理某一种数据结构的数据表,即第一数据表和第二数据表可以是不同数据结构的数据表,例如基于spark集群的数据表、基于MapReduce集群的数据表或基于kafka集群的数据表等等。通过预先对第一数据表和第二数据表做分析统计,做到条级别计算整个JOIN操作对服务器节点可能产生的数据压力和对整个服务器集群产生的数据压力。
在本发明实施例中,步骤S102可以基于以下步骤实现:对第一数据表和第二数据表的数据分别按主键进行分组;分别统计第一数据表和第二数据表中每组数据的主键数据量。
步骤S103:根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务。
随着数据量的增长,一些服务器集群已经无法处理达到一定规模的数据表,甚至分配到多个服务器集群仍然无法满足需求的量级。因此,本发明实施例的多表连接的方法将多表连接任务拆分为N个时间上的子表连接任务。具体地,第一数据表和第二数据表的主键数据量能够体现多表连接任务的数据压力,可以结合服务器集群的集群最大压力或任一服务器节点的节点最大压力,将多表连接任务拆分为N个子表连接任务,即多表连接任务可以分N次执行,实现以时间换空间,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完。
在本发明实施例中,步骤S103可以基于以下步骤实现:将第一数据表和第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;计算主键乘积之和作为集群数据压力,以及选取主键乘积中的最大值作为节点数据压力;根据集群数据压力和集群最大压力、或节点数据压力和节点最大压力,将多表连接任务拆分为N个子表连接任务。
主键乘积表示基于该主键乘积对应的主键执行JOIN操作时,对单个服务器节点产生的数据压力,对所有主键乘积求和即得到服务器集群在执行多表连接任务时需要承受的集群数据压力,所有主键乘积中的最大值即某一服务器节点在执行多表连接任务时需要承受的节点数据压力。多表连接任务拆分为子表连接任务的个数,可以根据集群数据压力和集群最大压力确定,也可以根据节点数据压力和节点最大压力确定,作为一种优选的实施方式,分别计算集群数据压力与集群最大压力的比值、以及节点数据压力与节点最大压力的比值,选取较大的比值作为拆分的个数。
步骤S104:依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据。
通过对多表连接任务进行拆分,使多表连接任务可以在不同时间段执行,使得在多表连接任务执行的过程中,操作的数据量始终保持在稳定值,不会造成对服务器集群或服务器节点的压力突然增大。
在本发明实施例中,步骤S104可以基于以下步骤实现:依次执行子表连接任务得到子结果数据;合并子结果数据,得到第一数据表和第二数据表的多表连接数据。
在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果时,目前只有扩容的方式能够在一定程度上完成这种操作。对于拆分的子表连接任务,在依次执行后每个子表连接任务可以得到一个子结果数据,合并所有的子结果数据即得到第一数据表和第二数据表的多表连接数据。
在本发明实施例中,依次执行子表连接任务得到子结果数据具体包括以下步骤:分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
本发明实施例的多表连接的方法,在服务器集群中拆分多表连接任务(分配到不同的服务器节点)的基础上,在时间上将多表连接任务再次拆分,在这种时间上的任务拆分下,理论上达到只要有足够的时间,就能完成两个极大数据量的数据表在JOIN操作时本无法完成的无限大的数据倾斜任务,更能够在整个多表连接任务完成的过程中,使操作的数据量始终保持在稳定值。具体地,步骤S103已计算出需要执行N个子表连接任务,为第一数据表的每个主键拼接一执行子表连接任务的次序,即把第一数据表的数据分为N组,每组循环数据表一个执行子表连接任务的次序;同时在第二数据表的每个主键依次拼接执行子表连接任务的次序,即每个主键会被拼接为N个主键,也即将第二数据表复制为N个,每个复制的第二数据表(即循环数据表)同样对应于一个执行子表连接任务的次序;然后每次执行一个子表连接任务,即选取一个执行子表连接任务的次序,对该次序对应的固定子数据表与循环数据表进行表连接,得到该次序对应的一个子结果数据。
需要注意的是,在执行子表连接任务的过程中,通过主键中拼接的子表连接任务的次序,保证了最终的结果与不拆分的结果(正确的结果)相同。并且在执行子表连接任务的过程中,子表连接任务的执行顺序可以随机,也可以按照主键中拼接的子表连接任务的次序。
需要注意的是,如果需要对更多的数据表进行多表连接,可以将其中两个数据表作为第一数据表和第二数据表,通过步骤S101-步骤S104的处理得到多表连接数据,再将所得到的多表连接数据与剩余的数据表中的一个作为第一数据表和第二数据表,并重复步骤S101-步骤S104,直至完成对所有数据表的多表连接。此外,本发明实施例的多表连接的方法与具体业务以及使用的集群没有关系,在现有的离线处理环境中都可以使用,例如Spark集群或者MapReduce集群。
根据本发明实施例的多表连接的方法可以看出,因为采用获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;基于主键分别统计第一数据表和第二数据表的主键数据量;根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据的技术手段,所以克服了由于数据量巨大、倾斜严重造成的现有技术无法完成多表连接任务的技术问题,进而达到在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果的技术效果。
图2是根据本发明实施例的多表连接的方法的基于主键统计主键数据量的示意图。
如图2所示,由于多表连接任务是通过主键将两个数据表的数据连接起来,所以在拆分多表连接任务前统计第一数据表和第二数据表中每个主键对应的主键数据量,以了解多表连接任务可能带来的数据压力。
计算拆分多表连接任务的具体过程如下:
首先,确定整个服务器集群在一个时间节点上能够承受的数据压力,一般根据服务器集群情况决定,它由两部分组成,一个是其上任意一台服务器(即一个服务器节点)在单时间节点能够承受多少数据压力(JOIN结果条数),记为X1;另一个是服务器集群在单时间节点能够承受的数据压力(JOIN结果条数),记为X2;
然后,对A、B两个数据表分别按KEY分组后,每组取和,形成类似(KEY,这个KEY的数据条数和)的数据结构。记为多表连接和Ba数据表,将多表连接和Ba数据表进行JOIN操作,此时因为每个数据表上相同的KEY只剩下一条数据,所以速度较快。对多表连接和Ba相同KEY的VALUE值进行乘积。得到一份类似(KEY,将产生的对数)的(KEY,VALUE)结构的数据表,记为AB。AB数据表将产生两个数,一个是VALUE的最大值,它代表当实行后面真正的JOIN时,如果不做任何处理,对单个节点产生的最大数据压力,记为AB1。另一个是AB数据表中所有VALUE的求和,它代表当实行后面真正的JOIN时,如果不做任何处理,会对整个服务器集群产生的数据压力,记为AB2;
最后,算出多表连接任务在时间上切分成的任务数:N=max(AB1/X1,AB2/X2)。
图3是根据本发明实施例的多表连接的方法的执行子表连接任务的示意图。
如图3所示,执行子表连接任务的具体过程如下:
对数据A的每条数据的KEY拼接一个N以下的随机数(N为第一阶段算出的N),形成数据A1。这份数据不再改变,将贯穿后面的所有循环;
定义一个计数变量x,从0-N开始循环,每次循环中,先将这次循环的数字赋给x,即X的值更改为这次循环的数字,再在数据B的每条数据的KEY拼接一个x,形成数据B1,然后对A1和B1进行JOIN操作,形成子结果数据C1,存储C1到硬盘,销毁数据B1;
进行下次循环,下次循环中,还是用原始的数据B的每条数据的KEY拼接一个新的x,形成B2,然后对A1和B2进行普通JOIN,形成结果子数据C2,存储C2到硬盘,销毁数据B2,循环这个过程最终形成C1、C2……CN一共N份子结果数据;
将N份子结果数据C1、C2……CN合并起来,形成的最终结果数据。
图4是根据本发明实施例的多表连接的装置的主要模块的示意图。
如图4所示,本发明实施例的多表连接的装置400包括:获取模块401、统计模块402、拆分模块403和执行模块404。
其中,
获取模块401,用于获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;
统计模块402,用于基于主键分别统计第一数据表和第二数据表的主键数据量;
拆分模块403,用于根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为N个子表连接任务;其中,N≥1;
执行模块404,用于依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据。
在本发明实施例中,所述统计模块402还用于:
对第一数据表和第二数据表的数据分别按主键进行分组;其中,每组数据对应于同一主键;
分别统计所述第一数据表和所述第二数据表中每组数据的主键数据量。
在本发明实施例中,所述拆分模块403还用于:
将所述第一数据表和所述第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;
计算所述主键乘积之和作为集群数据压力,以及选取所述主键乘积中的最大值作为节点数据压力;
根据所述集群数据压力和所述集群最大压力、或所述节点数据压力和所述节点最大压力,将多表连接任务拆分为N个子表连接任务。
在本发明实施例中,所述执行模块404还用于:
依次执行子表连接任务得到子结果数据;
合并所述子结果数据,得到所述第一数据表和所述第二数据表的多表连接数据。
在本发明实施例中,所述执行模块404进一步用于:
分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;其中,每个固定子数据表对应于一个执行子表连接任务的次序;
在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;其中,每个循环数据表是一个子表连接任务的次序对应的第二数据表;
根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
根据本发明实施例的多表连接的装置可以看出,因为采用获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;基于主键分别统计第一数据表和第二数据表的主键数据量;根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据的技术手段,所以克服了由于数据量巨大、倾斜严重造成的现有技术无法完成多表连接任务的技术问题,进而达到在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果的技术效果。
图5示出了可以应用本发明实施例的多表连接的方法或多表连接的装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的多表连接的方法一般由服务器505执行,相应地,多表连接的装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机***600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、统计模块、拆分模块和执行模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,统计模块还可以被描述为“基于主键分别统计第一数据表和第二数据表的主键数据量的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:步骤S101:获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;步骤S102:基于主键分别统计第一数据表和第二数据表的主键数据量;步骤S103:根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;步骤S104:依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据。
根据本发明实施例的技术方案,因为采用获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;基于主键分别统计第一数据表和第二数据表的主键数据量;根据主键数据量与集群最大压力或节点最大压力,将多表连接任务拆分为N个子表连接任务;依次执行子表连接任务,以得到第一数据表和第二数据表的多表连接数据的技术手段,所以克服了由于数据量巨大、倾斜严重造成的现有技术无法完成多表连接任务的技术问题,进而达到在对两个数据量极大的数据表进行JOIN操作,并且要保留所有JOIN操作结果的情况下,将由于数据量巨大、倾斜严重造成的无法完成的多表连接任务准确、平稳地处理完,并得出正确结果的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种多表连接的方法,其特征在于,包括:
获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;
基于主键分别统计第一数据表和第二数据表的主键数据量;
根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为N个子表连接任务;其中,N≥1;
依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据。
2.根据权利要求1所述的方法,其特征在于,基于主键分别统计第一数据表和第二数据表的主键数据量,包括:
对第一数据表和第二数据表的数据分别按主键进行分组;其中,每组数据对应于同一主键;
分别统计所述第一数据表和所述第二数据表中每组数据的主键数据量。
3.根据权利要求2所述的方法,其特征在于,根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为至少一个子表连接任务,包括:
将所述第一数据表和所述第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;
计算所述主键乘积之和作为集群数据压力,以及选取所述主键乘积中的最大值作为节点数据压力;
根据所述集群数据压力和所述集群最大压力、或所述节点数据压力和所述节点最大压力,将多表连接任务拆分为N个子表连接任务。
4.根据权利要求1所述的方法,其特征在于,依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据,包括:
依次执行子表连接任务得到子结果数据;
合并所述子结果数据,得到所述第一数据表和所述第二数据表的多表连接数据。
5.根据权利要求4所述的方法,其特征在于,依次执行子表连接任务得到子结果数据,包括:
分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;其中,每个固定子数据表对应于一个执行子表连接任务的次序;
在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;其中,每个循环数据表是一个子表连接任务的次序对应的第二数据表;
根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
6.一种多表连接的装置,其特征在于,包括:
获取模块,用于获取服务器集群的集群最大压力和任一服务器节点的节点最大压力;
统计模块,用于基于主键分别统计第一数据表和第二数据表的主键数据量;
拆分模块,用于根据所述主键数据量与所述集群最大压力或所述节点最大压力,将多表连接任务拆分为N个子表连接任务;其中,N≥1;
执行模块,用于依次执行所述子表连接任务,以得到所述第一数据表和所述第二数据表的多表连接数据。
7.根据权利要求6所述的装置,其特征在于,所述统计模块还用于:
对第一数据表和第二数据表的数据分别按主键进行分组;其中,每组数据对应于同一主键;
分别统计所述第一数据表和所述第二数据表中每组数据的主键数据量。
8.根据权利要求7所述的装置,其特征在于,所述拆分模块还用于:
将所述第一数据表和所述第二数据表中同一主键的主键数据量进行乘积,得到主键乘积;
计算所述主键乘积之和作为集群数据压力,以及选取所述主键乘积中的最大值作为节点数据压力;
根据所述集群数据压力和所述集群最大压力、或所述节点数据压力和所述节点最大压力,将多表连接任务拆分为N个子表连接任务。
9.根据权利要求6所述的装置,其特征在于,所述执行模块还用于:
依次执行子表连接任务得到子结果数据;
合并所述子结果数据,得到所述第一数据表和所述第二数据表的多表连接数据。
10.根据权利要求9所述的装置,其特征在于,所述执行模块进一步用于:
分别为第一数据表的每个主键拼接一执行子表连接任务的次序,以将第一数据表拆分为N个固定子数据表;其中,每个固定子数据表对应于一个执行子表连接任务的次序;
在第二数据表的每个主键依次拼接执行子表连接任务的次序,得到N个循环数据表;其中,每个循环数据表是一个子表连接任务的次序对应的第二数据表;
根据执行子表连接任务的次序,对固定子数据表与循环数据表进行表连接,得到N个子结果数据。
11.一种多表连接的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025018.6A CN112711588B (zh) | 2019-10-25 | 2019-10-25 | 多表连接的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025018.6A CN112711588B (zh) | 2019-10-25 | 2019-10-25 | 多表连接的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711588A true CN112711588A (zh) | 2021-04-27 |
CN112711588B CN112711588B (zh) | 2024-04-05 |
Family
ID=75540825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911025018.6A Active CN112711588B (zh) | 2019-10-25 | 2019-10-25 | 多表连接的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711588B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149717A (zh) * | 2023-08-31 | 2023-12-01 | 中电云计算技术有限公司 | 表连接处理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154048A1 (en) * | 2013-12-04 | 2015-06-04 | International Business Machines Corporation | Managing workload to provide more uniform wear among components within a computer cluster |
CN109905286A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 一种监控设备运行状态的方法和*** |
-
2019
- 2019-10-25 CN CN201911025018.6A patent/CN112711588B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154048A1 (en) * | 2013-12-04 | 2015-06-04 | International Business Machines Corporation | Managing workload to provide more uniform wear among components within a computer cluster |
CN109905286A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 一种监控设备运行状态的方法和*** |
Non-Patent Citations (2)
Title |
---|
MAIKEL LÁZARO PÉREZ GORT: "A Highly-Reliable Virtual Primary Key Scheme for Relational Database Watermarking Techniques", IEEE * |
张琦;张春平;杨志;刘铭;: "基于OPC框架的高效计算服务应用", 计算机***应用, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149717A (zh) * | 2023-08-31 | 2023-12-01 | 中电云计算技术有限公司 | 表连接处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112711588B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536650B (zh) | 生成梯度提升树模型的方法和装置 | |
US10459899B1 (en) | Splitting database partitions | |
US20200239234A1 (en) | Method and device for sorting cargo | |
CN110019125B (zh) | 数据库管理的方法和装置 | |
US20160337442A1 (en) | Scheduled network communication for efficient re-partitioning of data | |
CN109254854A (zh) | 异步调用方法、计算机装置及存储介质 | |
CN111858586B (zh) | 一种数据处理的方法和装置 | |
CN111782404A (zh) | 一种数据处理方法及相关设备 | |
CN112000734A (zh) | 一种大数据处理方法和装置 | |
CN107784195A (zh) | 数据处理方法及装置 | |
CN111400301A (zh) | 一种数据查询方法、装置及设备 | |
CN112711588B (zh) | 多表连接的方法和装置 | |
CN110928594A (zh) | 服务开发方法和平台 | |
CN110851343A (zh) | 一种基于决策树的测试方法和装置 | |
CN112597126A (zh) | 一种数据迁移方法和装置 | |
CN113704245A (zh) | 一种数据库主键生成方法、分表定位方法和装置 | |
CN114896244A (zh) | 配置数据库表的方法、装置、设备和计算机可读介质 | |
CN113590322A (zh) | 一种数据处理方法和装置 | |
CN113111084A (zh) | 一种处理数据的方法和装置 | |
CN111459981A (zh) | 查询任务的处理方法、装置、服务器及*** | |
CN111460108A (zh) | 智能应答的方法和装置 | |
CN111753019B (zh) | 一种应用于数据仓库的数据分区方法和装置 | |
CN111831425B (zh) | 一种数据处理方法、装置及设备 | |
CN113688159B (zh) | 一种数据抽取方法与装置 | |
CN113760886B (zh) | 提供数据服务的方法、装置、设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |