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
  • MQTT协议:轻量级消息传输的基石
    MQTT(Message Queuing Telemetry Transport,消息队列遥测传输)是一种基于发布/订阅模式的轻量级通信协议,适用于低带宽、高延迟或不可靠的网络环境。该协议基于TCP/IP构建,由IBM在1999年首次推出,旨在通过最小化网络流量和代码量,为远程设备提供高效、可靠的消息传输服务。 ... [详细]
  • 深入探讨jQuery中的事件处理、动画效果及表单操作
    本文详细介绍了jQuery这一流行的JavaScript库在事件处理、动画效果实现以及表单操作方面的应用。通过具体的示例和代码片段,帮助开发者更好地理解和运用jQuery的强大功能。 ... [详细]
  • Python 第三天学习笔记
    本文详细介绍了 Python 编程的第三天学习内容,包括字符编码、文件处理以及函数的基本概念和使用方法。 ... [详细]
  • Java集合框架源码解读(1)——ArrayList、LinkedList和Vector
    java.util.List接口是JavaCollectionsFramework的一个重要组成部分,List接口的架构图如下:本文将通过剖析List接 ... [详细]
  • Java并发编程深入探讨:对象组合与线程安全
    本文详细介绍了如何利用现有线程安全组件构建大规模并发应用程序,探讨了设计线程安全类的关键要素,并提供了多种确保线程安全的技术方案。 ... [详细]
  • 本文详细介绍了SSH(Secure Shell)的基础知识、应用场景以及如何在不同平台上使用SSH进行安全的远程操作。文章还探讨了SSH的高级用法,如免密登录和其他安全增强措施。 ... [详细]
  • 前言叨逼叨iOS上传文件,可能有很多第三方的框架之类的,比如AFN或者Alamofire之类的框架,但是今天要谈论的是原生的API是如何进行文件上传。兵 ... [详细]
  • 问题F: Jack的A+B数字格式化 时间限制: 1 秒 内存限制: 128 MB 提交次数: 1996 解决次数: 601 [提交] [状态] [出题人: jsu_admin] ... [详细]
  • Gradle基础概念与实践指南
    本文详细介绍了Gradle的基本概念、Groovy语言基础、Gradle的生命周期、项目管理以及任务配置等内容,旨在帮助开发者更好地理解和使用Gradle构建工具。 ... [详细]
  • Netty基础教程:构建简易Netty客户端与服务器
    Java NIO是解决传统阻塞I/O问题的关键技术之一,但其复杂性给开发者带来了挑战。Netty作为一个成熟的网络编程框架,极大地简化了这一过程。本文将通过一个简单的示例,介绍如何使用Netty创建基本的客户端和服务器。 ... [详细]
  • 本文深入探讨了网络编程中的基本概念,如指针、引用和可重入函数,并详细介绍了OSI七层模型和TCP/IP四层模型的功能与协议。同时,文章还对比了HTTP与HTTPS的区别,分析了HTTP请求报文的结构,讨论了TCP与UDP的主要差异,以及滑动窗口协议的工作原理。 ... [详细]
  • Docker基础指南:快速入门与实践
    Docker自发布以来便受到广泛欢迎,其提供的容器化技术极大地简化了软件开发和部署流程。本文旨在帮助初学者快速掌握Docker的基本操作,包括安装、运行容器、创建和管理镜像等内容,以激发大家对Docker的兴趣。 ... [详细]
  • 本文深入探讨了Apache服务器中Prefork MPM的工作原理,特别是预创建机制及其如何确保高效、稳定的并发处理能力。 ... [详细]
  • 如何用GPU服务器运行Python
    如何用GPU服务器运行Python-目录前言一、服务器登录1.1下载安装putty1.2putty远程登录 1.3查看GPU、显卡常用命令1.4Linux常用命令二、 ... [详细]
  • Django小实战——在线Web计算器(利用Bootstrap进行前端开发)
    Django小实战——在线Web计算器(利用Bootstrap进行前端开发),Go语言社区,Golang程序员人脉社 ... [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