数据工程实战课程 · 数据存储阶段
列式存储在分析场景下具有更高压缩率和更快查询,Parquet和Avro是两种最重要的开放数据格式。
# Parquet格式模拟:列式存储、压缩、谓词下推
import hashlib, time, random, json
from datetime import datetime
class ColumnChunk:
def __init__(self, name, dtype):
self.name = name; self.dtype = dtype; self.values = []
self.stats = {'min':None,'max':None,'null_count':0,'distinct':0}
self.uncompressed = 0; self.compressed = 0
def add(self, v):
self.values.append(v); self.uncompressed += len(str(v).encode())
def compute_stats(self):
non_null = [v for v in self.values if v is not None]
self.stats['null_count'] = len(self.values)-len(non_null)
if non_null:
self.stats['min'] = min(non_null); self.stats['max'] = max(non_null); self.stats['distinct'] = len(set(non_null))
self.compressed = int(self.uncompressed * 0.3)
def can_skip(self, op, val):
mn, mx = self.stats.get('min'), self.stats.get('max')
if mn is None: return False
if op == '>' and mx <= val: return True
if op == '<' and mn >= val: return True
return False
class RowGroup:
def __init__(self): self.columns = {}; self.row_count = 0
def add_column(self, name, dtype, values):
chunk = ColumnChunk(name, dtype)
for v in values: chunk.add(v)
chunk.compute_stats(); self.columns[name] = chunk
self.row_count = max(self.row_count, len(values))
class ParquetFile:
def __init__(self, schema): self.schema = schema; self.row_groups = []
def write_row_group(self, records):
rg = RowGroup()
for col, dtype in self.schema.items():
rg.add_column(col, dtype, [r.get(col) for r in records])
self.row_groups.append(rg)
def read_column(self, col, predicates=None):
result = []; skipped = 0
for rg in self.row_groups:
skip = False
if predicates:
for pc, (op, val) in predicates.items():
if pc in rg.columns and rg.columns[pc].can_skip(op, val): skip = True; break
if skip: skipped += 1; continue
if col in rg.columns: result.extend(rg.columns[col].values)
return result, skipped
def stats(self):
total = sum(rg.row_count for rg in self.row_groups)
comp = sum(sum(c.compressed for c in rg.columns.values()) for rg in self.row_groups)
uncomp = sum(sum(c.uncompressed for c in rg.columns.values()) for rg in self.row_groups)
return {'rows':total,'compressed':comp,'uncompressed':uncomp,'ratio':round(uncomp/comp,2) if comp else 0}
schema = {'id':'int','name':'string','amount':'float','region':'string'}
pf = ParquetFile(schema)
for rg_idx in range(5):
records = [{'id':rg_idx*1000+i+1,'name':f'客户_{rg_idx*1000+i+1}','amount':round(random.uniform(100,10000),2),'region':random.choice(['华东','华南','华北','西南','东北'])} for i in range(1000)]
pf.write_row_group(records)
s = pf.stats()
print(f"Parquet: {s['rows']}行, 压缩{1/s['ratio']:.1%}, 压缩比{s['ratio']}x")
amounts, _ = pf.read_column('amount')
print(f"列裁剪amount: {len(amounts)}值")
result, skipped = pf.read_column('amount', {'amount':('>',8000)})
print(f"谓词下推(>8000): {len(result)}值, 跳过{skipped}行组")
for col, chunk in pf.row_groups[0].columns.items():
print(f" {col}: [{chunk.stats['min']},{chunk.stats['max']}], distinct={chunk.stats['distinct']}, 压缩{chunk.uncompressed/chunk.compressed:.1f}x")
print("✅ 验证通过 - Parquet模拟运行正常")
🎁 下一课预告:分区与分桶!
| 策略 | 原理 | 节省比例 |
|---|---|---|
| 分层存储 | 热SSD/温HDD/冷对象存储 | 50-80% |
| 数据压缩 | 列式存储高压缩比 | 60-90% |
| 生命周期 | 自动归档删除 | 30-60% |
| 降采样 | 历史数据低精度 | 70-95% |
在生产环境中,我们经常遇到教科书不会告诉你的问题。以下是常见的实战经验和解决方案:
| 指标 | 告警阈值 | 监控方式 |
|---|---|---|
| 管道延迟 | 超过SLA 120% | 端到端时间戳追踪 |
| 数据量偏差 | 日均偏差超过30% | 与历史同期对比 |
| 错误率 | 超过0.1% | 错误计数/总记录数 |
| 数据新鲜度 | 超过SLA 150% | 最新数据时间戳 |
| 资源利用率 | CPU持续>80% | 系统监控 |
A: 根据业务延迟要求决定:秒级用流处理、分钟级用微批、小时级用批处理。大部分场景批处理足够,流处理用于实时业务场景(风控、监控、推荐)。
A: 不会完全取代,但边界在模糊。湖仓一体(如Iceberg/Delta Lake)正在融合两者优势。未来趋势是统一存储+多引擎计算。
A: 先用云原生服务(BigQuery/Snowflake + Fivetran + dbt + Looker),验证业务后再考虑自建。过早优化是万恶之源。
A: 用钱说话:数据质量问题的直接经济损失(错误决策、合规罚款、重复劳动)远大于治理投入。量化问题是第一步。
| 角色 | 职责 | 交付物 |
|---|---|---|
| 数据工程师 | 管道开发与维护 | 数据管道、基础设施 |
| 数据分析师 | 数据分析与报表 | SQL查询、BI报表 |
| 数据科学家 | 模型与实验 | ML模型、实验报告 |
| 数据产品经理 | 需求与优先级 | PRD、数据产品规划 |
| 数据管家 | 数据质量与治理 | 质量规则、数据字典 |