大数据集成产品介绍范文推荐6篇思维导图

谎话最甜

2023-05-09

浏览量: 7

大数据集成产品介绍范文推荐6篇

大数据集成产品介绍范文第一篇在构建数据仓库的场景中，数据加载到数仓后，随后进行数据加工和数据应用，其中涉及的3类大数据产品如下：数据集成：面向数据汇聚与交换产品流程：配置数据源-->创建同步任务-->配置调度任务核心任务：ETL、校验、补数、合并数据加工：面向数据分析产品流程：创建表-->编写加工逻...

树图思维导图提供《大数据集成产品介绍范文推荐6篇》在线思维导图免费制作，点击“编辑”按钮，可对《大数据集成产品介绍范文推荐6篇》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：15bcf8e7a670c8577797abd362f5cbdc

思维导图大纲

大数据集成产品介绍范文第一篇

在构建数据仓库的场景中，数据加载到数仓后，随后进行数据加工和数据应用，其中涉及的3类大数据产品如下：

数据集成：面向数据汇聚与交换

产品流程：配置数据源-->创建同步任务-->配置调度任务

核心任务：ETL、校验、补数、合并

数据加工：面向数据分析

产品流程：创建表-->编写加工逻辑（insert）-->配置调度任务

数据加工方式：离线计算、实时计算、机器学习等

任务调度：工作流编排

产品流程：创建任务节点-->配置节点依赖关系-->提交并执行

任务调度：任务执行、任务调度与运维

1）联系

数据集成和数据加工都是数据生命周期中的一环

数据集成任务和数据加工任务其实就是任务调度中的任务节点job，任务调度保证数据被顺序采集和加工出来

以用户画像分析为例，oss_数据同步和rds_数据同步两个节点是数据集成任务节点，ods_log_info_d、dws_user_info_all_d、rpy_user_info_d三个节点是数据加工任务节点，绘制各节点间的连线即工作流编排。

提交并执行画布中的流程节点，数据就会按照箭头方向执行各节点，产出最终结果。

2）区别

数据集成和数据加工虽然都是ETL，但是各自的重点并不相同

核心动作

数据集成核心动作是抽数（读、写、转换），也就是数据交换。转换动作也只是简单的数据清洗

数据加工的核心动作是计算逻辑/清洗等加工规则的编写。加工规则复杂

核心目标

数据集成的核心目标是保证数据被高效准确的迁移到目标端数据源

数据加工的核心目标是加工规则编写准确"翻译"业务需求

数据集成产品流程

离线集成与实时集成在实际运行中，的侧重点是不同的，对于离线集成，面对的是批数据，更多考虑大规模数据量的迁移效率问题，对于实时集成，面对的是流数据，更多考虑数据准确性问题。

大数据集成产品介绍范文第二篇

离线集成分为全量和增量两种方式对大规模数据进行批量迁移，

全量迁移是将某些表的全部历史数据同步到目标数据源中（指定时间范围）

增量迁移，通常需要使用where子句（RDB）或者query子句（MongoDB）等增量配置参数，同时在结合调度参数（定时任务的重复周期：分钟、小时、天、周、月等）可实现增量迁移任意指定日期内的数据。

比如，想要实现每日数据的增量同步，各参数可配置为：

Where子句：配置为DS='${dateformat(yyyy-MM-dd,-1,DAY)}'，

配置定时任务：重复周期为1天，每天的凌晨0点自动执行作业

增量迁移的数据可以对目标端数据源表中数据进行追加、覆盖和更新操作。

离线集成SQL实现逻辑如下：

- 完 -

大数据集成产品介绍范文第三篇

我们主要采用基于日志的CDC方式来实现增量数据的实时同步，CDC即change data capture，捕获数据的变化。

实时集成通过读取源端数据库日志bin_log来捕获数据的变化情况（insert、update、delete），将其传输到kafka topic中，然后通过spark streaming对数据进行转换/清洗，写入到stg增量表中，最后将增量数据与全量数据合并到数仓ods表中。

由于数据库日志抽取一般是获取所有的数据记录的变更（增、删、改），落到目标表时，需要根据主键去重，并按照日志时间倒序排列获取最后状态的变化情况。

具体的实时集成任务执行逻辑及流程如下所示：

实时集成有以下特点：

故相较于离线集成，在数据同步链路上，实时集成会增加数据校验和数据合并两个动作。

大数据集成产品介绍范文第四篇

数据同步致力于保证数据在不同数据源之间被高效准确地迁移。根据数据时效性要求和应用场景，数据同步可分为离线同步和实时同步：

1）离线同步

主要用于大批量数据的周期性迁移，对时效性要求不高，一般采用分布式批量数据同步方式，通过连接读取数据，读取数据过程中可以有全量、增量方式，经过统一处理后写入目标存储。

成熟的产品有：Sqoop、DataX、kettle等。

2）实时同步

针对数据时效性要求高的场景，其将源端数据的变化实时同步到目标端数据源中，保证源端数据与目标端数据实时保持一致，就可满足业务实时查询分析使用数据或实时计算等需求。

成熟的产品有：Canal、otter等。

在实际业务场景中，离线同步和实时同步搭配使用，为保证已有的数据表在目标端数据源中可用，会使用离线同步将该表的历史数据全量迁移到目标端数据源中，对于增量数据则通过实时集成来增量迁移。

大数据集成产品介绍范文第五篇

在构建数据仓库的场景中，数据加载到数仓后，随后进行数据加工和数据应用，其中涉及的3类大数据产品如下：

1）数据集成：面向数据汇聚与交换

产品流程：配置数据源—创建同步任务—配置调度任务。

核心任务：ETL、校验、补数、合并。

2）数据加工：面向数据分析

产品流程：创建表—编写加工逻辑（insert）—配置调度任务。

数据加工方式：离线计算、实时计算、机器学习等。

3）任务调度：工作流编排

产品流程：创建任务节点—配置节点依赖关系—提交并执行。

任务调度：任务执行、任务调度与运维。

联系：

提交并执行画布中的流程节点，数据就会按照箭头方向执行各节点，产出最终结果。

区别：数据集成和数据加工都基于任务执行和调度实现，两者虽然都是ETL，但是各自关注的重点并不相同。

①核心动作

数据集成核心动作是抽数（读、写、转换），也就是数据交换，转换动作也只是简单的数据清洗。

数据加工的核心动作是计算逻辑/清洗等加工规则的编写，加工规则复杂。

②核心目标

数据集成的核心目标，是保证数据被高效准确地迁移到目标端数据源。

数据加工的核心目标，是加工规则编写准确"翻译"业务需求。

大数据集成产品介绍范文第六篇

实时集成一般采用先全量在增量的方式来进行数据的迁移，即先将历史数据全量迁移到目标数据源，完成初始化动作，在进行增量数据的实时同步，这样保证目标端数据的可用性。当然也有不care历史数据的场景，此时就无需进行全量迁移的动作。

我们主要采用基于日志的CDC方式来实现增量数据的实时同步。CDC即change data capture，捕获数据的变化。实时集成通过读取源端数据库日志bin_log来捕获数据的变化情况（insert、update、delete），将其传输到kafka topic中，然后通过spark streaming对数据进行转换/清洗，写入到stg增量表中，最后将增量数据与全量数据合并到数仓ods表中。

具体的实时集成任务执行逻辑及流程如下所示：

实时集成有以下特点：

源端数据库产生一条记录，数据集成实时同步一条记录，

流数据在数据传输过程中可能会被丢失或延迟

故相较于离线集成，在数据同步链路上，实时集成会增加数据校验和数据合并两个动作。

数据校验主要校验源端和目标端的数据量，保证数据没有被丢失。具体校验逻辑如下：

数据合并则是由ods库base表和cdc目标库increment表组成，具体逻辑为：

将stg数据按主键去重，取最新一条，根据主键与ods数据表中的T+1数据合并

Cadence在线CIS数据库的管理软件功能思维导图