创建实时数据仓库

Question

我正在做一个个人项目，其中包括创建数据仓库 (DWH) 的完整架构。在这种情况下，作为 ETL 和 BI 分析工具，我决定使用 Pentaho；它具有许多功能，从允许轻松创建仪表板到完整的数据挖掘流程和 OLAP 多维数据集。

我读过数据仓库必须是关系数据库，并且理解这一点。我不明白的是如何实现近实时或完全实时的 DWH。我已经阅读了推拉策略，但我的结论如下：

• DBMS 的选择对于创建实时 DWH 并不重要。我的意思是 MySQL、SQL Server、Oracle 或任何其他工具都可以做到这一点。由于我将其作为个人项目进行，因此我选择 MySQL。
• 关键因素是作业调度的频率，这是调度器的任务。这个假设正确吗？我的意思是，创建实时 DWH 的关键是为每个 ETL 流程每秒建立作业？

如果我错了，您能否帮助我理解这一点？那么，创建实时 DWH 的方法是什么？是否有任何开源调度程序允许这样做？以及任何允许这样做的非开源调度程序？

我很困惑，因为一些参考资料说这是不可能的，而另一些则是可能的。

Answer 1

定义

非常有趣的问题。首先，应该定义“实时”应该是怎样的实时。 Realtime 对传入数据的延迟确实非常低，但需要发送系统中的良好架构，可能是事件总线或消息队列以及接收端的良好基础架构。这通常涉及某种侦听器和来自传递系统的推送。

近实时将是下一个“较低”级别。如果我们说接近实时的最大延迟约为 5 分钟，那么您的方法也可以工作。所以例如在这里你可以pull每分钟左右的数据。但请记住，如果新数据可用以及获取哪些数据，您需要某种高性能检查。如果此检查和拉取时间超过一分钟，那么跟上数据将变得更加困难。真的取决于音量。

实时

正如我之前所说，实时分析最多需要一个消息队列或服务总线，您的某些工作可以连接到并“监听”新数据。如果一个新的数据包被推送到管道中，它的大小可能会非常小，并且可以处理得非常快。

如果没有侦听器的基础设施，您需要接近实时。

近实时

这是您必须进一步开发的部分。您必须确保获得非常小的数据包，这些数据包通常是某种增量。如果您有权访问数据库，则可以使用触发器来完成此操作。否则，您必须每隔一段时间拉一次，而您的“一次”可能会非常频繁。

这可以在 Linux 上完成，例如通过简单的联合作业或在 Windows 上进行活动策划。请记住，您的加载和处理时间不应超过下一个作业开始之前的时间窗口。

数据库

最后，当您定义了要实现的目标并大致了解如何实现增量加载或侦听器时，您是对的 - 您可以采用关系数据库。如果您对性能感兴趣并将这部分建模为星型模式，您还可以研究基于列的引擎或基于列的数据库，如 Apache Cassandra。

调度

对于作业调度，您可以从 Linux 或 Windows 标准计划工具开始。如果你用 Java 编写代码，你以后可以使用石英之类的东西。但这只是近实时的情况。如上所述，实时需要不同的架构。