热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

构建Snowflake中的近实时数据摄取管道

探索如何在Snowflake中构建高效的近实时数据摄取管道,利用其内外表特性及Snowpipe服务,实现数据的快速、稳定加载。

构建Snowflake中的近实时数据摄取管道

照片来源:Paul Teysen on Unsplash

虽然外部表功能强大,但在灵活性和性能上仍不及Snowflake的内部表。Snowflake以其高度的灵活性和快速的数据处理能力著称,但使用时需注意错误监控。作为一项较新技术,Snowflake在某些方面可能还存在功能缺失,需要寻找合适的解决方案。

本文将重点讨论数据仓库或数据湖构建过程中的“加载”环节,尤其是如何使用Snowflake高效地每天处理数十亿条记录。

在深入探讨之前,先明确几个关键属性:系统的稳定性、数据的及时更新、无限的数据容量、高性能以及对企业需求的无缝适应。这些特性中,成本效益尤为关键,但也是市场上的大多数大规模并行处理(MPP)平台难以同时满足的。

背景介绍当每日数据量达到数十亿级别时,数据处理的规模问题变得尤为突出。通常,这些数据被存储在数据湖中,以减少存储成本。然而,企业可能需要访问超过一年的历史数据,这就需要一种既能节省成本又能保证数据可访问性的解决方案。

传统的ETL模式往往在ETL处理前完成数据加载,然后再进行数据刷新。这种方法在处理流式数据时显得效率低下,尤其是在数据每两分钟到达一次的情况下。因此,我们需要探索Snowflake提供的工具,以寻找更优解。

解决方案概述

Snowflake的外部表可以视为运行在对象存储(如S3)上的Presto引擎,允许用户像操作普通表一样查询存储在数据湖中的数据。这种灵活性使其成为连接数据湖与数据仓库的理想选择。

为了使所有数据可用,可以使用外部表将数据湖中的数据导入Snowflake,实现数据的即时同步。相较于使用COPY命令,这种方式在加载大量数据时更为高效。

保持数据最新合理的分区策略对于维持外部表的查询性能至关重要。若分区优化不当,可能导致全表扫描,增加成本和查询时间。尽管如此,外部表的性能依旧无法超越内部表。

Snowpipe简介

Snowpipe是一种无服务器的数据加载服务,支持按需付费模式。与使用Lambda函数相比,Snowpipe不仅减少了延迟,还提高了数据加载的可靠性。其最大延迟约为40秒,且未出现文件丢失的情况。

优势与局限使用Snowpipe,数据可以近乎实时地加载到Snowflake表中,无需额外的计算资源,成本较低。然而,其管道管理功能尚不完善,且在处理大量小文件时可能会产生较高的费用。

摄取管道的选择选择最适合的摄取管道取决于具体的业务场景。例如,如果S3作为主要数据湖,且需要最新的数据追加,同时考虑到数据的大小和成本,推荐的架构如下:

此架构确保数据同步时间不超过40秒,同时降低了维护成本,支持热/冷数据存储策略,并允许企业使用熟悉的工具访问数据。

潜在的妥协该方案依赖于基于日期的分区策略,若查询未能有效利用分区,性能将大打折扣。此外,对于包含更新操作的数据模型,可能需要对架构进行调整。

实施步骤

1. 创建外部表: 确保数据按照老化列进行分区,良好的分区键设计有助于提高查询性能。

2. 创建内部表: 可以创建一个简单的表结构用于复制列,根据需要添加或删除列。

3. 创建Snowpipe: 设置自动连续加载,必要时在加载过程中对数据进行转换。

4. 定义数据加载起点: 根据数据的时间范围,选择合适的加载方法。

5. 创建视图: 将外部表和内部表的数据合并,形成统一的数据视图。

6. 监控使用情况: 关注查询性能,确保大多数查询能在内部表中高效执行。

总结Snowflake提供了多种工具帮助管理和接收数据。虽然每种实现方式都有其优缺点,但结合使用Snowpipe和外部表,可以为大多数数据摄取场景提供有效的解决方案。


推荐阅读
  • 从 .NET 转 Java 的自学之路:IO 流基础篇
    本文详细介绍了 Java 中的 IO 流,包括字节流和字符流的基本概念及其操作方式。探讨了如何处理不同类型的文件数据,并结合编码机制确保字符数据的正确读写。同时,文中还涵盖了装饰设计模式的应用,以及多种常见的 IO 操作实例。 ... [详细]
  • 本文将介绍如何编写一些有趣的VBScript脚本,这些脚本可以在朋友之间进行无害的恶作剧。通过简单的代码示例,帮助您了解VBScript的基本语法和功能。 ... [详细]
  • 本文详细介绍如何使用Python进行配置文件的读写操作,涵盖常见的配置文件格式(如INI、JSON、TOML和YAML),并提供具体的代码示例。 ... [详细]
  • Python自动化处理:从Word文档提取内容并生成带水印的PDF
    本文介绍如何利用Python实现从特定网站下载Word文档,去除水印并添加自定义水印,最终将文档转换为PDF格式。该方法适用于批量处理和自动化需求。 ... [详细]
  • 优化ListView性能
    本文深入探讨了如何通过多种技术手段优化ListView的性能,包括视图复用、ViewHolder模式、分批加载数据、图片优化及内存管理等。这些方法能够显著提升应用的响应速度和用户体验。 ... [详细]
  • 1.如何在运行状态查看源代码?查看函数的源代码,我们通常会使用IDE来完成。比如在PyCharm中,你可以Ctrl+鼠标点击进入函数的源代码。那如果没有IDE呢?当我们想使用一个函 ... [详细]
  • 本文详细介绍了Java编程语言中的核心概念和常见面试问题,包括集合类、数据结构、线程处理、Java虚拟机(JVM)、HTTP协议以及Git操作等方面的内容。通过深入分析每个主题,帮助读者更好地理解Java的关键特性和最佳实践。 ... [详细]
  • 本文详细解析了Python中的os和sys模块,介绍了它们的功能、常用方法及其在实际编程中的应用。 ... [详细]
  • 掌握远程执行Linux脚本和命令的技巧
    本文将详细介绍如何利用Python的Paramiko库实现远程执行Linux脚本和命令,帮助读者快速掌握这一实用技能。通过具体的示例和详尽的解释,让初学者也能轻松上手。 ... [详细]
  • 本文探讨了 Objective-C 中的一些重要语法特性,包括 goto 语句、块(block)的使用、访问修饰符以及属性管理等。通过实例代码和详细解释,帮助开发者更好地理解和应用这些特性。 ... [详细]
  • Ralph的Kubernetes进阶之旅:集群架构与对象解析
    本文深入探讨了Kubernetes集群的架构和核心对象,详细介绍了Pod、Service、Volume等基本组件,以及更高层次的抽象如Deployment、StatefulSet等,帮助读者全面理解Kubernetes的工作原理。 ... [详细]
  • andr ... [详细]
  • Hadoop入门与核心组件详解
    本文详细介绍了Hadoop的基础知识及其核心组件,包括HDFS、MapReduce和YARN。通过本文,读者可以全面了解Hadoop的生态系统及应用场景。 ... [详细]
  • 本文探讨了领域驱动设计(DDD)的核心概念、应用场景及其实现方式,详细介绍了其在企业级软件开发中的优势和挑战。通过对比事务脚本与领域模型,展示了DDD如何提升系统的可维护性和扩展性。 ... [详细]
  • 本文介绍如何在现有网络中部署基于Linux系统的透明防火墙(网桥模式),以实现灵活的时间段控制、流量限制等功能。通过详细的步骤和配置说明,确保内部网络的安全性和稳定性。 ... [详细]
author-avatar
你看我的泪
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有