我可以使用 Hadoop 加速慢速 SQL 存储过程吗？

Question

问题：

我有来自 2 个不同应用程序的 2 个 SQL Server 数据库。他们描述了工业机器的不同方面：一个是关于“每个订单花费了多少消耗品”，另一个是关于“每个操作员生产了多少好/坏的产品”。有时很多操作员一个接一个地在处理一个订单，有时一个操作员在处理多个小订单，数据库中没有连接Order-Operator。

我想要一个统一的事实表，其中每个timestamp 我知道MachineID、OrderID 和OperatorID。如果 DB1 中存在timestamp，则记录将包含来自它的数字度量（消耗品）；如果它存在于 DB2 中，那么它将具有来自 DB2 的数字度量（好/坏的生产项目）。如果它存在于两个数据库中，则它具有所有数字度量。一个简单的UNION ALL 是不够的，因为我希望每条记录都有MachineID、OrderID 和OperatorID。

我创建了一个 T-SQL 存储过程，通过时间戳和 MachineID 创建FULL JOIN。但是在大型数据集（多台机器，多个客户）上，它变得非常慢。这两个应用程序都支持编辑历史记录，因此我需要在每晚加载时合并两个数据库的完整历史记录。

为了加快处理速度，我想将计算放入多个并行线程中，由Customer、MachineID 和Year 分隔。

我试图通过使用 SQL Server 存储过程来做到这一点，通过不同参数的 SQL 代理并行运行，但我发现它对性能没有帮助。相反，它在更新登台表和最终表时创建了多个死锁。

我正在寻找解决此问题的替代方法，但我不知道什么是正确的工具。 Hadoop 或类似的并行处理工具可以帮助完成这项任务吗？

我正在寻找成本最低的解决方案，因为只有一项特定任务需要它。对于其他一切，SQL Server 和 PowerBI 报告对我来说都很好。

Answer 1

鉴于范围有限，Hadoop 在这个用例中似乎很难证明是合理的。 Hadoop 的优点在于，当数据分布在多个服务器/存储介质上时，它不仅由于并行处理而且由于并行 IO 具有良好的扩展性。除非您乐于将所有数据复制到分布在多个节点上的 HDFS，否则它可能不会有太大帮助。如果你想启动一个 Hadoop 集群并运行多个查询单个 SQL 服务器的作业，那么后面的结果可能会很糟糕。

您是否考虑过允许您限制每晚处理的数据量的优化？

例如什么是“时间戳”字段？是否反映上次更新时间？您可以使用它来过滤自上次运行以来尚未更新的行吗？

即使“时间戳”不是上次更新的时间，您是否可以添加一个“updateTime”字段并触发将填充该字段的更新，这样您就不需要导入自以前的运行？如果你在字段上建立索引，那么，如果一天中的更新次数相对于总表大小来说并不高，那么在该字段上使用过滤器的查询将命中索引，并且获取增量更改应该很快。

需要考虑的另一件事 - 那些数据库是否在同一节点/SQL 服务器上运行？访问远程数据库很慢，所以如果是这种情况，请先考虑如何解决此问题。