2021年数据员个人总结范文

2021年数据员个人总结范文

一、数据量过大，数据中什么状况都可能存在。

三、要求很高的处理方法和技巧。

这也是本文的写作目的所在，好的处理方法是一位工程师长期工作阅历的积累，也是个人的阅历的总结。没有通用的处理方法，但

假如说有10条数据，那么大不了每条去逐一检查，人为处理，

有通用的原理和规章。

假如有上百条数据，也可以考虑，假如数据上到千万级别，甚至过亿，

下面我们来具体介绍一下处理海量数据的阅历和技巧：

那不是手工能解决的了，需要通过工具或者程序进行处理，尤其海量的

一、选用优秀的数据库工具

数据中，什么状况都可能存在，例如，数据中某处格式出了问题，尤其

现在的数据库工具厂家比较多，对海量数据的处理对所运用的

在程序处理时，前面还能正常处理，突然到了某个地方问题涌现了，程

数据库工具要求比较高，一般运用Oracle或者DB2，微软公司最近发

序终止了。

布的SQLServer20**性能也不错。另外在BI领域：数据库，数据仓库，

二、软硬件要求高，系统资源占用率高。

多维数据库，数据挖掘等相关工具也要进行选择，象好的ETL工具和

对海量的数据进行处理，除了好的方法，最重要的就是合理运用

好的OLAP工具都非常须要，例如Informatic，Eassbase等。笔者在

工具，合理安排系统资源。一般状况，假如处理的数据过TB级，小型

实际数据分析项目中，对每天6000万条的日志数据进行处理，运用

机是要考虑的，一般的机子假如有好的方法可以考虑，不过也需要加大

SQLServer20**需要花费6小时，而运用SQLServer20**那么只需要花

CPU和内存，就象面对着千军万马，光有志气没有一兵一卒是很难取胜

费3小时。

的。

第 1 页 共 5 页

本文格式为Word版，下载可任意编辑

二、编写优良的程序代码

处理数据离不开优秀的程序代码，尤其在进行繁复数据处理时，需要运用程序。好的程序代码对数据的处理至关重要，这不仅仅是数据处理精确度的问题，更是数据处理效率的问题。良好的程序代码应当包含好的算法，包含好的处理流程，包含好的效率，包含好的异样处理机制等。

三、对海量数据进行分区操作

对海量数据进行分区操作非常须要，例如针对按年份存取的数据，我们可以按年进行分区，不同的数据库有不同的分区方式，不过处理机制大体相同。例如SQLServer的数据库分区是将不同的数据存于不同的文件组下，而不同的文件组存于不同的磁盘分区下，这样将数据分散开，减小磁盘I/O，减小了系统负荷，而且还可以将日志，索引等放于不同的分区下。

四、建立广泛的索引

对海量的数据处理，对大表建立索引是必行的，建立索引要考虑到详细状况，例如针对大表的分组、排序等字段，都要建立相应索引，一般还可以建立复合索引，对常常插入的表那么建立索引时要当心，笔者在处理数据时，曾经在一个ETL流程中，当插入表时，首先删除索引，然后插入完毕，建立索引，并实施聚合操作，聚合完成后，再次插入前还是删除索引，所以索引要用到好的时机，索引的填充因子和聚集、非聚集索引都要考虑。 五、建立缓存机制

当数据量增加时，一般的处理工具都要考虑到缓存问题。缓存大小设置的好差也关系到数据处理的成败，例如，笔者在处理2亿条数据聚合操作时，缓存设置为100000条/Buffer，这对于这个级别的数据量是可行的。 六、加大虚拟内存

假如系统资源有限，内存提示不足，那么可以靠增加虚拟内存

第 2 页 共 5 页

本文格式为Word版，下载可任意编辑

来解决。笔者在实际项目中曾经遇到针对18亿条的数据进行处理，内存为1GB，1个P42.4G的CPU，对这么大的数据量进行聚合操作是有问题的，提示内存不足，那么采纳了加大虚拟内存的方法来解决，在6块磁盘分区上分别建立了6个4096M的磁盘分区，用于虚拟内存，这样虚拟的内存那么增加为4096*6+1024=25600M，解决了数据处理中的内存不足问题。 七、分批处理

海量数据处理难由于数据量大，那么解决海量数据处理难的问题其中一个技巧是减削数据量。可以对海量数据分批处理，然后处理后的数据再进行合并操作，这样逐个击破，有利于小数据量的处理，不至于面对大数据量带来的问题，不过这种方法也要因时因势进行，假如不允许拆分数据，还需要另想方法。不过一般的数据按天、按月、按年等存储的，都可以采纳先分后合的方法，对数据进行分开处理。 八、运用临时表和中间表

数据量增加时，处理中要考虑提前汇总。这样做的目的是化整为零，大表变小表，分块处理完成后，再利用肯定的规章进行合并，处理过程中的临时表的运用和中间结果的保存都特别重要，假如对于超海量的数据，大表处理不了，只能拆分为多个小表。假如处理过程中需要多步汇总操作，可按汇总步骤一步步来，不要一条语句完成，一口气吃掉一个胖子。 九、优化查询SQL语句

在对海量数据进行查询处理过程中，查询的SQL语句的性能对查询效率的影响是特别大的，编写高效优良的SQL脚本和存储过程是数据库工作人员的职责，也是检验数据库工作人员水平的一个标准，在对SQL语句的编写过程中，例如减削关联，少用或不用游标，设计好高效的数据库表结构等都非常须要。笔者在工作中试着对1亿行的数据运用游标，运行3个小时没有出结果，这是肯定要改用程序处理了。

第 3 页 共 5 页

本文格式为Word版，下载可任意编辑

十、运用文本格式进行处理

对一般的数据处理可以运用数据库，假如对繁复的数据处理，需要借助程序，那么在程序操作数据库和程序操作文本之间选择，是肯定要选择程序操作文本的，缘由为：程序操作文本速度快;对文本进行处理不简单出错;文本的存储不受限制等。例如一般的海量的网络日志都是文本格式或者csv格式(文本格式)，对它进行处理牵扯到数据清洗，是要利用程序进行处理的，而不建议导入数据库再做清洗。 十一、定制强大的清洗规章和出错处理机制

海量数据中存在着不全都性，极有可能涌现某处的瑕疵。例如，同样的数据中的时间字段，有的可能为非标准的时间，涌现的缘由可能为应用程序的错误，系统的错误等，这是在进行数据处理时，需要制定强大的数据清洗规章和出错处理机制。 十二、建立视图或者物化视图

视图中的数据来源于基表，对海量数据的处理，可以将数据按肯

定的规章分散到各个基表中，查询或处理过程中可以基于视图进行，这样分散了磁盘I/O，正如10根绳子吊着一根柱子和一根吊着一根柱子的区分。

十三、避开运用32位机子(极端状况)

目前的计算机许多都是32位的，那么编写的程序对内存的需要便受限制，而许多的海量数据处理是需要大量消耗内存的，这便要求更好性能的机子，其中对位数的限制也非常重要。 十四、考虑操作系统问题

海量数据处理过程中，除了对数据库，处理程序等要求比较高以外，对操作系统的要求也放到了重要的位置，一般是需要运用服务器的，而且对系统的安全性和稳定性等要求也比较高。尤其对操作系统自身的缓存机制，临时空间的处理等问题都需要综合考虑。 十五、运用数据仓库和多维数据库存储

数据量加大是肯定要考虑OLAP的，传统的报表可能5、6个小

第 4 页 共 5 页

本文格式为Word版，下载可任意编辑

时出来结果，而基于Cube的查询可能只需要几分钟，因此处理海量数据的利器是OLAP多维分析，即建立数据仓库，建立多维数据集，基于多维数据集进行报表呈现和数据挖掘等。 十六、运用采样数据，进行数据挖掘

基于海量数据的数据挖掘正在逐步兴起，面对着超海量的数据，一般的挖掘软件或算法往往采纳数据抽样的方式进行处理，这样的误差不会很高，大大提高了处理效率和处理的胜利率。一般采样时要留意数据的完整性和，防止过大的偏差。笔者曾经对1亿2千万行的表数据进行采样，抽取出400万行，经测试软件测试处理的误差为千分之五，客户可以接受。

还有一些方法，需要在不同的状况和场合下运用，例如运用代理键等操作，这样的好处是加快了聚合时间，由于对数值型的聚合比对字符型的聚合快得多。类似的状况需要针对不同的需求进行处理。 海量数据是进展趋势，对数据分析和挖掘也越来越重要，从海量

数据中提取有用信息重要而紧迫，这便要求处理要精确，精度要高，而且处理时间要短，得到有价值信息要快，所以，对海量数据的讨论很有前途，也很值得进行广泛深入的讨论。

第 5 页 共 5 页