难度比较大的数据整合问题，看有人会吗？

Overriding 2012-02-27 02:43:25
这个方案应该能满足以下的要求
1. 多个SQL数据源，但是所有这些数据源的schema都是一样的，数据不一样，但是有可能存在重复。
2. 多个数据源的数据要拷贝到同一个目标数据库，要涉及到数据的整合去重。
3. 数据源的个数可能以后会有添加。
4. 数据源分布在多个域上，也就是说会涉及到跨域访问的问题。
5. 每个源的数据增长速度可能不完全相同，有的可能会非常快。
6. 数据同步是单向的，只有多个源到同一个目标。目标不会有任何改动。
7.源数据的更改必须能同步到目标，也就是说对于已经同步过的数据在源系统做了修改，那需要重新同步。

目前考虑个的两个方案，一个是SQL replication另外一个是SSIS+BCP，似乎都不能很好地满足要求。

SQL replcation方案在多个源re-initialization会造成目标数据库的数据被重写，丢掉从其他源过来的数据，另外跨域访问好像也有问题。

SSIS+BCP似乎不能很好地满足第七条，求高手支招，在这个板块级别太低只能给100分了。
...全文
307 18 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
18 条回复
切换为时间正序
请发表友善的回复…
发表回复
xiaomu252803306 2012-03-15
  • 打赏
  • 举报
 回复
I don't know what you really you want to do

1.build Datawarhouse or Data mart

2. rapid solution to kikc off simple data integration?
coolkisses 2012-02-28
  • 打赏
  • 举报
 回复
这只是一个数据同步的需求
这个需求复杂了一点，多数据源 + 数据更新同步（增、删、改）
但是，这些数据源存在的冲突又如何处理？ 楼主好像没有说明一下。

后续如何使用这些数据，要将这些数据完全去重，整合在一起，是否还有其它要求？

如果按字面理解，假设数据源和目标库都一样，都是ORACLE，DBLINK+PRC+触发器 就可以解决所有问题
haitao 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 15 楼 zhanqiangz 的回复:]
引用 14 楼 warren_zqw 的回复:

引用 6 楼 zhanqiangz 的回复:
引用 4 楼 warren_zqw 的回复:

首先按照sz_haitao说的加入一个字段Datasource，好的方法是加入一个table DataSource(SourceID, Source, des,...)
定义好数据重复的依据,相当于Natural Key；
从任何数据源Pul……
[/Quote]

如果可以加字段，可以先bcp过来后，再慢慢update
本地的update，怎么也会快


不过，几小时几十G，10G/小时=1G/6分钟=2.8M/s
生成sql语言也要很占cpu了
haitao 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 13 楼 zhanqiangz 的回复:]
引用 12 楼 sz_haitao 的回复:

引用 3 楼 zhanqiangz 的回复:
引用 1 楼 sz_haitao 的回复:

多个数据源的物理位置关系如何？
目标数据库的表结构可以加一个数据源字段吗？


数据源的物理位置没有必然关系，在不同的域里，彼此之间没有通信。目标数据库可以填加一个数据源字段。


如果可以加字段，应该没问题
我做过的2个同步工具，一……

【数据块的时候几个小时几十个G的数据】
[/Quote]

那是多了一点，我那个系统一年才1、2亿条记录，几十个G
Overriding 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 14 楼 warren_zqw 的回复:]

引用 6 楼 zhanqiangz 的回复:
引用 4 楼 warren_zqw 的回复:

首先按照sz_haitao说的加入一个字段Datasource，好的方法是加入一个table DataSource(SourceID, Source, des,...)
定义好数据重复的依据,相当于Natural Key；
从任何数据源Pull数据时，首先给数据添加一个信息SoruceID，然……
[/Quote]
我当时尝试SQL replication是因为数据Update的信息我不需要关注， transactional replication可以自己handle,之所有不能用是因为： 1. 多个数据源的场景中如果reinitialize subscription,会早晨目标数据库数据被覆盖，换言之如果reinitialize了source A的，那么target数据库里就只有A的数据，其他数据源的数据会丢掉。 2. 跨域访问是个比较大的问题，可能其他技术也会有同样的问题，跨域访问只能用push模式不能用pull.

BCP的限制在于没有办法做update。

我对service broker不是太了解，需要定制的东西很多吗？目前最后的方案是用SSIS逐个表做同步，比较繁琐。
Warren 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 6 楼 zhanqiangz 的回复:]
引用 4 楼 warren_zqw 的回复:

首先按照sz_haitao说的加入一个字段Datasource，好的方法是加入一个table DataSource(SourceID, Source, des,...)
定义好数据重复的依据,相当于Natural Key；
从任何数据源Pull数据时，首先给数据添加一个信息SoruceID，然后再做Upsert处理；
SSIS可以完成这类工……
[/Quote]

Upsert 就是Update or Insert。按照你说的数据比较大，大到哪种程度，需要考察的，否则做Update可能不行。1亿行左右的数据应该没问题，当然和环境有关(我们的Server 2.33G x 16颗cpu, 128G RAM）
再有就是每次要取增量数据，这需要Source端需要提供增量提取的依据信息，比如数据的Update时间；

还有一种选择，就是使用SQL Server 的servcie broker 技术完成数据“实时”同步。
Overriding 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 12 楼 sz_haitao 的回复:]

引用 3 楼 zhanqiangz 的回复:
引用 1 楼 sz_haitao 的回复:

多个数据源的物理位置关系如何？
目标数据库的表结构可以加一个数据源字段吗？


数据源的物理位置没有必然关系，在不同的域里，彼此之间没有通信。目标数据库可以填加一个数据源字段。


如果可以加字段，应该没问题
我做过的2个同步工具，一个是 深圳同城两个不同公司之间，一个是 同一个公司……
[/Quote]

谢谢楼上的，首先在不同域里访问是个问题，其次通过web 方式提交数据对于我们的场景来说肯定不行，数据量太大了，数据块的时候几个小时几十个G的数据。我现在尝试了SQL Replication, BCP+SSIS,但是这两种方案都不能满足所有的需求。
haitao 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 3 楼 zhanqiangz 的回复:]
引用 1 楼 sz_haitao 的回复:

多个数据源的物理位置关系如何？
目标数据库的表结构可以加一个数据源字段吗？


数据源的物理位置没有必然关系，在不同的域里，彼此之间没有通信。目标数据库可以填加一个数据源字段。
[/Quote]

如果可以加字段，应该没问题
我做过的2个同步工具，一个是 深圳同城两个不同公司之间，一个是 同一个公司，但是深圳、广州番禺两个城市之间。一方都是adsl上网。
具体方法是：
在目的服务器，运行一个webserver+应用服务程序，接受https的提交内容，插入表
在源服务器，运行一个上传程序，定时通过https提交未同步的记录，定时周期根据每次同步的记录数自动调整
Overriding 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 9 楼 coolkisses 的回复:]

这只是一个数据同步的需求
这个需求复杂了一点，多数据源 + 数据更新同步（增、删、改）
但是，这些数据源存在的冲突又如何处理？ 楼主好像没有说明一下。

后续如何使用这些数据，要将这些数据完全去重，整合在一起，是否还有其它要求？

如果按字面理解，假设数据源和目标库都一样，都是ORACLE，DBLINK+PRC+触发器 就可以解决所有问题
[/Quote]

关于数据源的冲突可以不用考虑，重复数据不用考虑，其他的参考6,7. 您的方案能在多个域里使用吗？
Overriding 2012-02-28
  • 打赏
  • 举报
 回复
[Quote=引用 8 楼 luckyrandom 的回复:]

这个不是BI概念，仅仅是数据同步而已。。有偿方案支持
[/Quote]

我说的是我们要做的东西的一小部分，当然是数据同步。至于有偿方案您就免了吧！大不了我直接联系SQL Server team，也不用来这里找有偿方案。
Q315054403 2012-02-27
  • 打赏
  • 举报
 回复
这个不是BI概念，仅仅是数据同步而已。。有偿方案支持
Overriding 2012-02-27
  • 打赏
  • 举报
 回复
[Quote=引用 5 楼 dawugui 的回复:]

你这是在做系统.强大而复杂的系统.
[/Quote]
很多功能类似于BI系统。
Overriding 2012-02-27
  • 打赏
  • 举报
 回复
[Quote=引用 4 楼 warren_zqw 的回复:]

首先按照sz_haitao说的加入一个字段Datasource，好的方法是加入一个table DataSource(SourceID, Source, des,...)
定义好数据重复的依据,相当于Natural Key；
从任何数据源Pull数据时，首先给数据添加一个信息SoruceID，然后再做Upsert处理；
SSIS可以完成这类工作；


另外，这个板块级别太低？是啥意思？……
[/Quote]

请问Upsert处理怎么做，我们的系统要求性能，数据量会比较大。级别低指的是我在这个版块积分比较少，不能发300分的帖子。
dawugui 2012-02-27
  • 打赏
  • 举报
 回复
你这是在做系统.强大而复杂的系统.
Warren 2012-02-27
  • 打赏
  • 举报
 回复
首先按照sz_haitao说的加入一个字段Datasource，好的方法是加入一个table DataSource(SourceID, Source, des,...)
定义好数据重复的依据,相当于Natural Key；
从任何数据源Pull数据时，首先给数据添加一个信息SoruceID，然后再做Upsert处理；
SSIS可以完成这类工作；


另外，这个板块级别太低？是啥意思？
Overriding 2012-02-27
  • 打赏
  • 举报
 回复
[Quote=引用 1 楼 sz_haitao 的回复:]

多个数据源的物理位置关系如何？
目标数据库的表结构可以加一个数据源字段吗？
[/Quote]

数据源的物理位置没有必然关系，在不同的域里，彼此之间没有通信。目标数据库可以填加一个数据源字段。
yanyuchonglou 2012-02-27
  • 打赏
  • 举报
 回复
可不可以建一个表作为目的表，指定唯一索引项，然后就依次从各个地方取值插啊使劲插，插到不需要插啊？
haitao 2012-02-27
  • 打赏
  • 举报
 回复
多个数据源的物理位置关系如何？
目标数据库的表结构可以加一个数据源字段吗？
什么是数据挖掘？数据挖掘到底在解决什么问题？
比如什么是数据挖掘为什么要做数据挖掘在哪些场景下用数据挖掘怎么做数据挖掘第一个问题，什么是数据挖掘？这个问题看似很简单，但似乎也很难有一个明确的答案。如果非要给数据挖掘一个定义的话，那么我认为数据挖掘...
数据中台怎么选型？终于有人讲明白了
数据中台怎么选型？终于有人讲明白了
数据分析师常用工具有哪些？初学者必看
我给你一份数据分析师常用工具指南，按照这份指南，小白也能成为数据分析高手！ 这是一份入门到熟练的工具指南，并不包含数据挖掘等高阶内容。 Step1：Excel学习掌握 所用的工具正是职场中最常用的Excel！ ①...
元数据是什么？如何管理元数据？
元数据是什么？如何管理元数据？...元数据（metadata）是关于数据的组织、数据域及其关系的信息，简言之，元数据就是描述数据的数据。概念总是生涩，下面举几个例子。 示例1：歌词中的元数据 有一首很多80后耳熟
数据切分及整合方案
通过前面的章节，我们已经很清楚了通过数据库的数据切分可以极大的...这一节我们主要针对的内容就是分析可以使用的各种可以帮助我们实现数据切分以及数据整合的整体解决方案。 数据的整合很难依靠数据库本身来达到这
community_281

662

社区成员

253,722

社区内容

发帖
与我相关
我的任务
社区描述
提出问题
其他 技术论坛（原bbs）
社区管理员
  • community_281
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章