大數據分析之納稅人畫像-實現和優化思路

来源:https://www.cnblogs.com/qingmiaokeji/archive/2020/06/07/13060907.html
-Advertisement-
Play Games

1.背景環境 本文章來自最近做的項目模塊的思考和總結,主要講思路不涉及過多的基礎和實現細節。 需求:統計出來納稅人名稱、行業、近一年業務量(辦稅服務廳、電子稅務局、自助渠道),近一年業務量top5(辦稅服務廳、電子稅務局、自助渠道)、近一年納稅金額、近一年申報數、近一年用票數。支持根據所屬稅務機關分 ...


1.背景環境

本文章來自最近做的項目模塊的思考和總結,主要講思路不涉及過多的基礎和實現細節。

需求:統計出來納稅人名稱、行業、近一年業務量(辦稅服務廳、電子稅務局、自助渠道),近一年業務量top5(辦稅服務廳、電子稅務局、自助渠道)、近一年納稅金額、近一年申報數、近一年用票數。支持根據所屬稅務機關分頁查詢。


看上去業務不複雜,但是數據來自多個系統,數據量很大。來來畫個示意圖展示下數據來源的複雜程度:
未命名文件.png
數據涉及5個廠商,資料庫採用oracle,涉及幾十張表,其中納稅人信息生產環境下有380多萬,更不用說其他業務表的數據量有多大了,並且還需要分組,統計,排序。此時此刻心情如下:image.png

2.實現方案

2.1 視圖(失敗的方案)

由於項目時間關係,想法很簡單先採用視圖,先實現再說。(其實在做的時候就有不詳的預感,感覺這種方案不行)。於是開乾,在實現的過程中我用到的
關鍵技術點有:
oracle wm_concat(column)函數實現查詢相同id欄位,內容以逗號分隔

select id, wmsys.wm_concat(欄位名)欄位別名  from table group by id


Oracle分組查詢取每組排序後的前N條記錄

SELECT *   
FROM  (
        SELECT 分組的欄位名, ROW_NUMBER() OVER(PARTITION BY 分組的欄位名 
        ORDER BY 排序的欄位名) AS RN FROM 表名
) 
WHERE RN <= 10   得到分組後,數據的前幾條

count、sum、group by 、join、dblink等等
生產環境下驗證結果
測試環境還好,生產環境打開視圖好久查不出來數據,臨時表空間暴增30g. 來看下現場的執行計劃
image.pngimage.png

冷靜分析

  • 資料庫是其他廠商的,我們沒有許可權去建索引,只給了查詢許可權。
  • 大量的hash join,這些操作都在記憶體中,記憶體不足會把臨時計算結果放到磁碟導致臨時表空間暴增。
  • 分組、排序類的特別耗時。
  • 問題的本質也就是類似於數據結構的:時間複雜度和空間複雜度。 通俗點說你願意拿空間換時間還是時間換空間?
  • 大道至簡、分而治之。當人類面臨負責問題和巨大工程的時候,都喜歡切成一小塊一小塊的去處理,問題就迎刃而解。

2.2 定時任務彙總(備選方案1)

接著上文,其實我們可以提前把數據加工好,插入彙總表,不用每次用戶查詢的時候去計算就好了。
技術實現關鍵點:

  • 可以用spring +quarter 定時任務
  • oracle中定時任務

以上在彙總的過程中必須註意一次拉取小批量數據加工。
由於時間緊急,定時任務需要開發代碼,數據量大,數據批次需要處理等缺點放棄了

2.3 物理視圖(選用方案2)

因為有比較多的查詢彙總,考慮到速度,最後選擇了物理視圖方案。下麵簡單介紹下物理視圖。
物化視圖也是種視圖。Oracle的物化視圖是包括一個查詢結果的資料庫對像,它是遠程數據的的本地副本,或者用來生成基於數據表求和的彙總表。物化視圖存儲基於遠程表的數據,也可以稱為快照。
物化視圖可以查詢表,視圖和其它的物化視圖。
特點:
(1) 物化視圖在某種意義上說就是一個物理表(而且不僅僅是一個物理表),這通過其可以被user_tables查詢出來,而得到確認;
(2) 物化視圖也是一種段(segment),所以其有自己的物理存儲屬性;
(3) 物化視圖會占用資料庫磁碟空間,這點從user_segment的查詢結果,可以得到佐證;
創建語句:create materialized view mv_name as select * from table_name
創建過程一波三折
把方案一種的視圖sql改稱物理視圖,到生產環境下創建。尼瑪又出狀況了

一個sql執行了8個小時,居然失敗了,怎麼辦?
冷靜分析

  • 仔細看sql,去掉了不必要的關聯查詢。
  • 拆分物理視圖,一個拆三,分而治之。

最後在3個小時左右,成功創建了5個物理視圖。
又出狀況、一波四折
**
測試庫是11.2.0.1.0的,WMSYS.WM_CONCAT( )函數返回的是varchar類型,而正式庫是11.2.0.4.0的,返回的是CLOB類型的。為了相容,所以解決辦法是:TO_CHAR(WMSYS.WM_CONCAT(param )); 只要用to_char()函數轉換一下就可以了。。。
好吧,重新來過,最後在3個小時左右,成功創建了5個物理視圖。

2.4 hadoop(做夢的方案,殺雞蔫用牛刀)

據說PB級別的數據,才上hadoop。為了賣弄一下我也懂點大數據技術(畢竟也讀過幾本書),簡單的列一下實現思路:
0.搭建hadoop平臺
1.sqoop導入數據到hive
2.利用hive進行分析
3.sqoop把分析結果導入Oracle彙總表
4.持續運維
為什麼不採用的原因:
1.數據量遠遠不夠
2.客戶是否給你那麼多機器來組集群。
3.公司缺乏相關技術的開發和運維,成本代價高。

3.結論

  • 大道至簡、分而治之
  • 思路總比問題多,不拋棄不放棄。


總結不易歡迎在看或轉發,更多精彩關註微信公眾號【lovepythoncn】


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 初始onion omega2+設置方法。1. wifi AP上電wifi熱點自動打開,ssid為omega-xxxx,預設ip地址為192.168.3.1。2. 電腦連接到wifi APomega-xxxx,預設密碼是123456783. 以瀏覽器,連接192.168.3.1密碼onioneer。設... ...
  • 順序查找:就是從第一個元素開始,按索引順序遍歷待查找序列,直到找出給定目標或者查找失敗 缺點:效率低 -- 需要遍歷整個待查序列 二分法查找:也稱為折半法,是一種在有序數組中查找特定元素的搜索演算法。 1:首先,從數組的中間元素開始搜索,如果該元素正好是目標元素,則搜索過程結束,否則執行下一步。 2: ...
  • 1.trunc 函數 截斷函數既可以截取日期 也可以截取數字 返回今天的日期 select trunc(sysdate) from dual; --07-6月 -20 返回當月第一天 select trunc(sysdate,'mm') from dual; --01-6月 -20 返回當年第一天 ...
  • 持久化 RDB方式 Redis實現快照的過程 AOF方式 操作系統緩存 RDB與AOF 複製 主從資料庫 主從複製的意義 安全 持久化 Redis通過將數據存儲在記憶體中而獲得了極快的速度,但為了保證Redis在重啟後數據不丟失,需要將數據從記憶體持久化到硬碟中。 持久化的方式有兩種,二者可以只用一種, ...
  • 安裝mysql yum repository wget -i -c http://dev.mysql.com/get/mysql57-community-release-el7-10.noarch.rpm yum -y install mysql57-community-release-el7-10 ...
  • 近期新接觸sqlserver、oracle資料庫,發現指定返回記錄總數居然都和mysql不同: Mysql:select XXX where XXX limit N Sqlserver: select TOP N XXX Oracle:select XXXX where rownum < (N+1) ...
  • 常用操作 1.查看創建表參數 提取完整的DDL: SELECT DBMS_METADATA.GET_DDL('TABLE','table_name') FROM DUAL; 2.指定返回記錄數 select XXX from XXX where rownum<n 3.查詢指定列的所有值且每個值只顯示 ...
  • 這是一次本地壓力測試,由於預設Oracle 10g的資料庫最大連接數是150。但是要程式的壓力測試要用到300。 於是我參考網上資料,執行下麵兩行命令,修改最大連接數後,重啟oracle伺服器,就發生了錯誤提示oracle無法登陸。 step 1: 修改最大連接數 # 查詢 當前最大連接數selec ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...