近实时数据采集方法、装置、电子设备、存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种近实时数据采集方法、装置、电子设备、存储介质。

背景技术：

随着大数据的发展，近实时数据处理在各个领域中，显得尤为重要。尤其，对于各领域的业务数据，如何在更高时效内得到不断变更的业务数据来支撑对内流程管理和对外的业务拓展是大数据时代亟待解决的问题。

为了解决该问题，目前有两种近实时数据处理的实现方案：

1)批处理加速

批处理加速是基于现有的hadoop(由apache基金会所开发的分布式系统基础架构)生态圈的组件。批处理加速包括数据抽取层、逻辑转化层及展现层。数据抽取层采用sqoop(用来将hadoop和关系型数据库中的数据相互转移的工具)抽取业务备份库，用增量抽取或者用全量抽取的方式先将数据本地化，然后将数据导入到hdfs(hadoop分布式文件系统)文件中。逻辑转化层面采用hive(基于hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能)作为数据处理引擎，实现复杂逻辑的清洗、加工和转换。展现层采用impala(cloudera公司主导开发的新型查询系统)作为展现端的引擎。

2)实时流计算

实时流计算基于spark(专为大规模数据处理而设计的快速通用的计算引擎)和flink(由apache软件基金会开发的开源流处理框架)组件，在数据源端连接不同的kakfa(由apache软件基金会开发的一个开源流处理平台)输出端，从不同的topic(主题)中得到基础的业务数据，然后利用spark引擎进行计算。在展现层采用impala作为展现端的查询引起或者将数据推送到业务库，对接业务端的开发在web(网页)和app(应用)层面进行接收。

然而，批处理加速由于基于hive计算，因此，其无法对数据进行更新操作，拉长了处理流程，无法保证整条作业链路在规定时间内完成，难以满足业务要求；实时流计算需要开发人员有较高的专业性，开发难度较大，开发周期较长，且无法高效的响应紧急的业务需求。

由此，如何在减少开发成本的前提下，保证业务数据的时效性，是当前近实时数据处理领域需要解决的技术问题。

技术实现要素：

本发明为了克服上述相关技术存在的缺陷，提供一种近实时数据采集方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种近实时数据采集方法，包括：

接收第一数据采集指令，所述第一数据采集指令用于调取第一数据信息；

基于所述第一数据采集指令至近实时数据库中调取所述第一数据信息，所述近实时数据库至少包括：

第一数据层，所述第一数据层自业务数据库采集并保存业务数据；

第二数据层，所述第二数据层包括多个数据模型，每个数据模型关联一业务主题，所述第一数据层的数据经由所述第二数据层的多个数据模型分类至多个业务主题；以及

第三数据层，所述第三数据层包括多个宽表，各所述宽表至少包括经由所述第二数据层分类至多个业务主题的业务数据的统计数据，

其中，所述第一数据信息包括：所述第一数据层的业务数据、所述第二数据层的分类至多个业务主题的业务数据及所述第三数据层的所述宽表所包括的数据中的一项或多项。

在本发明的一个实施例中，所述业务数据库中的业务数据通过与所述第一数据层的字段匹配以同步至所述第一数据层，其中，同一时间产生同一字段的多个业务数据仅将该多个业务数据中的一个同步至所述第一数据层，以对所述第一数据层的各业务数据进行唯一约束。

在本发明的一个实施例中，所述第一数据层通过分布式流数据流引擎采集经由分布式消息队列的业务数据库的业务数据。

在本发明的一个实施例中，所述第一数据层保存第一预定时间段内产生的业务数据。

在本发明的一个实施例中，所述近实时数据库还包括：

维度数据层，所述维度数据层用于储存辅助数据，

其中，所述第一数据信息包括：

所述第一数据层的业务数据及所述辅助数据；

所述第二数据层的分类至多个业务主题的业务数据及所述辅助数据；或者

所述第三数据层的所述宽表所包括的数据中的一项或多项及所述辅助数据。

在本发明的一个实施例中，所述第一数据信息包括所述第三数据层的所述宽表所包括的数据时，所述基于所述数据采集指令至近实时数据库中调取所述第一数据信息之后包括：

获取对所述第三数据层的所述宽表的统计数据的操作，生成第二数据采集指令，所述第二数据采集指令用于调取第二数据信息，所述第二数据信息包括用于产生所述统计数据的所述第二数据层的分类至多个业务主题的业务数据；

基于所述第二数据采集指令至近实时数据库中调取所述第二数据信息。

在本发明的一个实施例中，所述第一数据采集指令用于采集不同预定时间段内的第一数据信息，用于采集不同预定时间段的第一数据采集指令采用不同的调度机制和不同的质量监控机制进行管理。

根据本发明的又一方面，还提供一种近实时数据采集装置，包括：

接收模块，用于接收第一数据采集指令，所述第一数据采集指令用于调取第一数据信息；

调取模块，用于基于所述第一数据采集指令至近实时数据库中调取所述第一数据信息；

近实时数据库；所述近实时数据库至少包括：

第一数据层，所述第一数据层自业务数据库采集并保存业务数据；

第二数据层，所述第二数据层包括多个数据模型，每个数据模型关联一业务主题，所述第一数据层的数据经由所述第二数据层的多个数据模型分类至多个业务主题；以及

第三数据层，所述第三数据层包括多个宽表，各所述宽表至少包括经由所述第二数据层分类至多个业务主题的业务数据的统计数据，

其中，所述第一数据信息包括：所述第一数据层的业务数据、所述第二数据层的分类至多个业务主题的业务数据及所述第三数据层的所述宽表所包括的数据中的一项或多项。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。

相比现有技术，本发明的优势在于：

本发明一方面，实现了近实时数据的采集，通过近实时数据库保证业务数据的时效性，减少数据中转的流程；另一方面，降低了开发门槛，从而降低开发成本和开发周期；再一方面，通过近实时数据库的架构应对不同的业务场景。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的近实时数据采集方法的流程图。

图2示出了根据本发明实施例的近实时数据采集系统的示意图。

图3示出了根据本发明另一实施例的近实时数据采集方法的示意图。

图4示出了根据本发明实施例的近实时数据采集装置的模块图。

图5示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。

图6示意性示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

结合图1和图2说明本发明实施例的近实时数据采集方法。图1示出了根据本发明实施例的近实时数据采集方法的流程图。图2示出了根据本发明实施例的近实时数据采集系统的示意图。近实时数据采集方法包括如下步骤：

步骤s110：接收第一数据采集指令，所述第一数据采集指令用于调取第一数据信息；

步骤s120：基于所述第一数据采集指令至近实时数据库220中调取所述第一数据信息，所述近实时数据库220至少包括：

第一数据层221，所述第一数据层221自业务数据库210采集并保存业务数据；

第二数据层222，所述第二数据层222包括多个数据模型，每个数据模型关联一业务主题，所述第一数据层221的数据经由所述第二数据层222的多个数据模型分类至多个业务主题；以及

第三数据层223，所述第三数据层223包括多个宽表，各所述宽表至少包括经由所述第二数据层222分类至多个业务主题的业务数据的统计数据，

其中，所述第一数据信息包括：所述第一数据层221的业务数据、所述第二数据层222的分类至多个业务主题的业务数据及所述第三数据层223的所述宽表所包括的数据中的一项或多项。

在本发明提供的近实时数据采集方法中，一方面，实现了近实时数据的采集，通过近实时数据库保证业务数据的时效性，减少数据中转的流程；另一方面，降低了开发门槛，从而降低开发成本和开发周期；再一方面，通过近实时数据库的架构应对不同的业务场景。

具体而言，所述第一数据采集指令可以包括所要调取的第一数据信息的字段名、业务主题名称、宽表名称等，根据字段/名称匹配以从第一数据层221、第二数据层222、第三数据层223中调取所需数据。进一步地，在一些具体实现中，若所述第一数据采集指令包括所要调取的第一数据信息的字段名，则自所述第一数据层221中调取第一数据信息；若所述第一数据采集指令包括所要调取的第一数据信息的业务主题名称，则自所述第二数据层222中调取第一数据信息；若所述第一数据采集指令包括所要调取的第一数据信息的宽表名称，则自所述第三数据层223中调取第一数据信息。所述字段名、业务主题名称、宽表名称可以具有类型标记，通过类型标记以确定自哪一个数据层调取所述第一数据信息。

在本发明的一些实施例中，所述业务数据库210中的业务数据通过与所述第一数据层221的字段匹配以同步至所述第一数据层221。其中，同一时间产生同一字段的多个业务数据仅将该多个业务数据中的一个同步至所述第一数据层221，以对所述第一数据层221的各业务数据进行唯一约束。在本发明的上述实施例中，所述第一数据层221通过分布式流数据流引擎采集经由分布式消息队列的业务数据库210的业务数据。具体而言，业务数据库210与第一数据层221的同步采用flink结合kafka的数据同步方案。kafka接收业务数据库210的不同业务库的binlog日志(binlog是mysql数据库的二进制日志,用于记录用户对数据库操作的sql语句)，将解析出来的表和字段和近实时数据库220中的表进行匹配，将业务数据库210的业务库中的dml(数据操纵语言，datamanipulationlanguage，是sql语言中，负责对数据库对象运行数据访问工作的指令集)语句按照时间顺序一比一同步到近实时数据库220中。为了配合flink数据落地的效率，本方案对第一数据层221的每个基础表做了唯一约束，避免kafka的重复消费。

具体而言，第一数据层221和业务数据库210(业务系统的源数据)同构。第一数据层221的数据粒度是最细。在一些具体实现中，所述第一数据层221保存第一预定时间段内产生的业务数据。由此，以考虑到近实时作业的自有特性，通过控制第一数据层221的数据量提高作业的执行效率。第一预定时间段例如可以是1周、1个月、2个月等，本发明并非以此为限制。

具体而言，第二数据层222参考了现有的离线集群的模型建设方案，将第一数据层221的业务数据按照业务主题建模(对于货运领域，业务主题例如可以包括货源、订单、运单、支付、增值、oa(办公自动化系统)、crm(客户关系管理)、用户和客诉等)。第二数据层222中经分类的业务主题的业务数据保留了所有清洗后的数据，第二数据层222中经分类的业务主题的业务数据是干净且一致的，遵从了数据库三范式(数据库三范式第一范式要求确保表中每列的原子性，也就是不可拆分；第二范式要求确保表中每列与主键相关，而不能只与主键的某部分相关(主要针对联合主键)，主键列与非主键列遵循完全函数依赖关系，也就是完全依赖；第三范式确保主键列之间没有传递函数依赖关系，也就是消除传递依赖)。

具体而言，第三数据层223提供了多个大且通用的宽表，可以满足用户常用的基础业务需求。在各个实施例中，上述各数据层的字段、表项、统计数据皆可以按需进行迭代和添加。

在本实施例中，所述近实时数据库220还包括维度数据层224。维度数据层224用于储存辅助数据。在该实施例中，所述第一数据信息可以包括所述第一数据层的业务数据及所述辅助数据；所述第一数据信息可以包括所述第二数据层的分类至多个业务主题的业务数据及所述辅助数据；所述第一数据信息可以包括所述第三数据层的所述宽表所包括的数据中的一项或多项及所述辅助数据，本发明并非以此为限制。维度数据层224在货运领域例如可以包括货分类详情表、时间维度表、城市维度表、天气表、员工表等等。维度数据层224的辅助数据可以从第一数据层221中获取，也可以从第三方数据库中获取，本发明并非以此为限制。

在本发明的一个实施例中，所述第一数据采集指令用于采集不同预定时间段内的第一数据信息，用于采集不同预定时间段的第一数据采集指令采用不同的调度机制和不同的质量监控机制进行管理。在一些具体实现中，例如将第一数据采集指令分为用于采集5分钟内的第一数据信息和15分钟内的第一数据信息。多个用于采集同一预定时间段的第一数据采集指令形成任务序列。针对5分钟的场景，任务序列可以采用linux中crontab(crontab命令被用来提交和管理用户的需要周期性执行的任务)计划任务来完成调度任务的控制和依赖，按照shell(为使用者提供操作界面的软件)脚本中的顺序从上到下串行执行。针对15分钟级别的任务，可以采用大数据调度平台进行深度耦合，依赖小强调度中的任务队列、任务依赖、监控告警和数据质量的监控，对15分钟的第一数据采集指令形成的任务序列进行管控。

在本发明的实施例中，近实时数据库220可以由greenplum数据库来实现。由此，通过标准化的sql降低近实时需求的开发难度，为greenplum算力的开放奠定基础，另外，还可以实现支撑功能扩展。例如支撑python、r等常用算法语言，更好的将算法引入到近实时计算作业中，通过调包的方式直接降低使用门槛，并且通过greenplum的并发架构，加速算法的执行效率。

本发明用于近实时作业任务，因此区别于离线集群的需求范围，它支撑的业务范围更加广，支撑的实效更加快。比如可以支撑线上app的营销活动、线上货源的近实时推荐、服务于内部管理的客诉详情、基于绩效考察的crm(客户关系管理)的任务清单等等，本发明并非以此为限制。

下面结合图3，描述本发明的另一个实施例，图3示出了根据本发明另一实施例的近实时数据采集方法的示意图。近实时数据采集方法包括：

步骤s110：接收第一数据采集指令，所述第一数据采集指令用于调取第一数据信息；

步骤s120：基于所述第一数据采集指令至近实时数据库220中调取所述第一数据信息，所述近实时数据库220至少包括：第一数据层221，所述第一数据层221自业务数据库210采集并保存业务数据；第二数据层222，所述第二数据层222包括多个数据模型，每个数据模型关联一业务主题，所述第一数据层221的数据经由所述第二数据层222的多个数据模型分类至多个业务主题；以及第三数据层223，所述第三数据层223包括多个宽表，各所述宽表至少包括经由所述第二数据层222分类至多个业务主题的业务数据的统计数据，其中，所述第一数据信息包括所述第三数据层223的所述宽表所包括的数据；

步骤s130：获取对所述第三数据层的所述宽表的统计数据的操作，生成第二数据采集指令，所述第二数据采集指令用于调取第二数据信息，所述第二数据信息包括用于产生所述统计数据的所述第二数据层的分类至多个业务主题的业务数据；

步骤s140：基于所述第二数据采集指令至近实时数据库中调取所述第二数据信息。

由此，可以基于获得的第三数据层的统计数据，定位到产生第三数据层中的统计数据的第二数据层中的数据，从而实现数据的进一步展开，类似地步骤可以自第二数据层展开至第一数据层的数据，本发明并非以此为限制。

以上仅仅是示意性地描述本发明的多个实现方式，本发明并非以此为限制。

图4示出了根据本发明实施例的近实时数据采集装置的模块图。近实时数据采集装置300包括接收模块310、调取模块320以及近实时数据库330。

接收模块310用于接收第一数据采集指令，所述第一数据采集指令用于调取第一数据信息；

调取模块320用于基于所述第一数据采集指令至近实时数据库中调取所述第一数据信息；

近实时数据库330,至少包括第一数据层、第二数据层及第三数据层。第一数据层自业务数据库采集并保存业务数据；第二数据层包括多个数据模型，每个数据模型关联一业务主题，所述第一数据层的数据经由所述第二数据层的多个数据模型分类至多个业务主题；以及第三数据层包括多个宽表，各所述宽表至少包括经由所述第二数据层分类至多个业务主题的业务数据的统计数据。

其中，所述第一数据信息包括：所述第一数据层的业务数据、所述第二数据层的分类至多个业务主题的业务数据及所述第三数据层的所述宽表所包括的数据中的一项或多项。

在本发明提供的近实时数据采集装置中，一方面，实现了近实时数据的采集，通过近实时数据库保证业务数据的时效性，减少数据中转的流程；另一方面，降低了开发门槛，从而降低开发成本和开发周期；再一方面，通过近实时数据库的架构应对不同的业务场景。

图4仅仅是示意性的示出本发明提供的近实时数据采集装置300，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的近实时数据采集装置300可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述近实时数据采集方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述近实时数据采集方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述近实时数据采集方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备500。图6显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述近实时数据采集方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1或图3所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述近实时数据采集方法。

相比现有技术，本发明的优势在于：

本发明一方面，实现了近实时数据的采集，通过近实时数据库保证业务数据的时效性，减少数据中转的流程；另一方面，降低了开发门槛，从而降低开发成本和开发周期；再一方面，通过近实时数据库的架构应对不同的业务场景。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。