一种数据处理方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种数据处理方法和装置。


背景技术：

2.现有的数据仓库技术架构是对数据进行分层处理后供用户使用的。无论离线数据仓库或者实时数据仓库，在进行数据存储和计算时，均时将多种数据源的数据进行汇总聚合后输入到数据仓库中，数据仓库会基于数据计算和存储工具对数据进行判空、异常校验、数据分流、数据抽取等多层处理，之后供用户使用，以用于离线分析、画像刻画、业务查询、实时分析、实时推荐、实时查询和实时风控等。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
4.由于现有的数据仓库技术架构结构复杂，且需要对数据进行分层处理，故而导致难以追溯数据血缘，无法保持事务一致性，且数据仓库建设成本高，灵活性差。


技术实现要素：

5.有鉴于此，本发明实施例提供一种数据处理方法和装置，能够直接对分布式文件系统中的数据进行操作，并将操作记录保存到数据血缘关系数据库中，使得数据仅通过分布式文件系统和数据血缘关系数据库即可满足数据存储和计算的全部需求，数据仓库技术架构结构简单，无需对数据进行分层处理，数据血缘关系溯源简单，且可以保持操作事务一致性；同时大幅降低了数据仓库系统建设成本，灵活性强。根据本发明的血缘关系数据库来进行数据溯源，根据操作记录获取数据血缘关系，可以快速地重新构建数据表，保证了数据处理的事务一致性，支持在数据读取中快速查询历史数据，查询中间数据，保证了所有数据的来源都清晰可查。
6.为实现上述目的，根据本发明实施例的一个方面，提供了一种数据处理方法，包括：
7.响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，所述解析结果包括操作对象；
8.获取所述操作对象的上一次操作的操作记录文件名；
9.将所述解析结果和所述操作对象的上一次操作的操作记录文件名进行拼装，生成所述当前操作的操作记录；
10.将所述当前操作的操作记录保存到血缘关系数据库中。
11.可选地，所述操作记录以结构表的形式进行存储。
12.可选地，所述操作记录以时间戳来命名。
13.可选地，还包括：对血缘关系数据库中存储的操作记录，按照设定的合并文件个数进行操作记录合并，且合并后的操作记录根据合并前的操作记录文件名中的最小时间戳和最大时间戳来进行命名。
14.可选地，还包括：对血缘关系数据库中存储的操作记录进行压缩存储。
15.可选地，还包括：响应于数据的来源查找请求，根据数据标识查找所述数据的最近一次操作的操作记录；对所述操作记录进行解析，并根据解析结果确定所述数据对应的原始数据。
16.可选地，所述解析结果还包括操作算子和操作范围；根据解析结果确定所述数据对应的原始数据，包括：若所述解析结果不包括所述操作对象的上一次操作的操作记录文件名，则根据所述操作对象和所述操作算子，从所述操作范围中确定所述数据对应的原始数据；若所述解析结果包括所述操作对象的上一次操作的操作记录文件名，则对所述操作对象的上一次操作的操作记录进行解析，并重复执行上述步骤以根据解析结果确定所述数据对应的原始数据。
17.根据本发明实施例的另一方面，提供了一种数据处理装置，包括：
18.数据操作解析模块，用于响应于用户对数据进行操作，对操作语句进行解析得到解析结果，所述解析结果包括操作对象；
19.操作记录获取模块，用于获取所述操作对象的上一次操作的操作记录文件名；
20.操作记录生成模块，用于将所述解析结果和所述操作对象的上一次操作的操作记录文件名进行拼装，生成所述当前操作的操作记录；
21.操作记录保存模块，用于将所述当前操作的操作记录保存到血缘关系数据库中。
22.根据本发明实施例的又一方面，提供了一种数据处理电子设备。
23.一种数据处理电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所提供的数据处理方法。
24.根据本发明实施例的再一方面，提供了一种计算机可读介质。
25.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的数据处理方法。
26.上述发明中的一个实施例具有如下优点或有益效果：通过响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，解析结果包括操作对象；获取该操作对象的上一次操作的操作记录文件名；将解析结果和该操作对象的上一次操作的操作记录文件名进行拼装，生成当前操作的操作记录；将当前操作的操作记录保存到血缘关系数据库中的技术方案，可以直接对分布式文件系统中的数据进行操作，并将操作记录保存到数据血缘关系数据库中，使得数据仅通过分布式文件系统和数据血缘关系数据库即可满足数据存储和计算的全部需求，数据仓库技术架构结构简单，无需对数据进行分层处理，数据血缘关系溯源简单，且可以保持操作事务一致性；同时大幅降低了数据仓库系统建设成本，灵活性强。根据本发明的血缘关系数据库来进行数据溯源，根据操作记录获取数据血缘关系，可以快速地重新构建数据表，保证了数据处理的事务一致性，支持在数据读取中快速查询历史数据，查询中间数据，保证了所有数据的来源都清晰可查。
27.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
28.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
29.图1是根据本发明实施例的数据处理方法的主要步骤示意图；
30.图2是根据本发明实施例的数据处理装置的主要模块示意图；
31.图3是本发明实施例可以应用于其中的示例性系统架构图；
32.图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
33.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
34.随着物联网和智能设备的兴起，设备上的数据会越来越多地接入进来，而设备上的数据规模可能在百亿千亿级别，物联网数据的采集和处理面临着极大的挑战：物联网行业数据量普遍较大，数据存储是企业的巨大成本负担；数据仓库依赖批处理，数据实时分析无法满足要求；业务发展变化较快，需要有更加灵活敏捷的数据获取方式；物联网行业的算法模型，需要有灵活的数据管道。而现有的数据仓库系统结构复杂，且需要分层处理，故而导致难以追溯数据血缘，无法保持事务一致性，且数据仓库建设成本高，灵活性差。
35.为了解决现有技术中存在的上述技术问题，本发明提供了一种数据处理的方法和装置，针对传统的数据架构，在此基础上做一个调整，将原始数据集做数据血缘，每一次数据计算都视为一次操作的“提交”，每一次提交都会记录数据来源和计算的逻辑(还记录计算是否成功的计算状态)，以结构表(例如xml、json等)的形式存储，如果用户需要提取某一个阶段或者某一个时间点的数据，可以先读取操作记录的结构表以获取回滚逻辑，再反向计算获得结果。
36.现有技术中，在一个项目中数据仓库的建设面临成本和数据溯源的双重压力。成本压力是因为在建设数据仓库时，需要将多种数据源的数据进行多层处理，主要包括：通过数据汇总层将数据源(例如保存在mysql、hbase等中)的数据进行汇总合并处理，并保存到分布式文件系统hdfs中，hdfs会定时进行数据清洗，以删除空数据或噪点数据等；之后，对hdfs中的数据进行数据分流、抽取等处理后会保存到数据集市里；然后，对数据集市里的数据经过分布式运算框架spark进行运算处理后会再次保存到数据集市的不同存储空间里。在这个过程中，涉及到了多种不同的数据仓库或数据库进行数据存储，同时涉及了多种数据处理框架或数据计算框架来对数据进行处理，故而会导致数据仓库建设的成本压力较大。特别是数据集市中，会存在数据分层，每一层都会存储该数据，同一数据会存储在多个位置，数据点位在多处落盘。数据溯源压力是因为在分布式文件系统中要进行异常数据的清洗，保证数据质量，在数据集市要进行多种维度的数据聚合，保证数据贴近业务需要，因此最原始的数据都会抛掉，故而会溯源困难。
37.为了解决这两个痛点，本发明加入了新的数据血缘关系数据库，通过对源数据进行聚合后保存在分布式文件系统中，然后直接对分布式文件系统中的数据进行操作，并将操作记录保存到数据血缘关系数据库中，使得数据仅通过分布式文件系统和数据血缘关系数据库即可满足数据存储和计算的全部需求。
38.图1是根据本发明实施例的数据处理方法的主要步骤示意图。如图1所示，本发明实施例的数据处理方法主要包括如下的步骤s101至步骤s104。
39.步骤s101：响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，解析结果包括操作对象。每当用户提交一项对分布式文件系统中的数据的操作任务(job)时，数据血缘关系数据库将该项操作的操作语句(sql语句)，解析为操作算子、操作范围(时间范围和数据域)、操作对象三种元素。
40.例如，用户对数据的操作语句如下：
41.select prod_id,quantity,item_price,quantity*item_price as exp_price from order items where order_time＝1654486405
42.对该操作语句进行解析后，可以提取“操作算子：*；操作对象：quantity，item_price,prod_id，order items；操作范围：order_time＝1654486405”。
43.步骤s102：获取该操作对象的上一次操作的操作记录文件名。在每次对用户的操作语句进行分析后，会将分析后的操作记录进行保存，操作记录具有文件名。同时，还可以建立一个数据表，用于保存该操作语句的执行结果(即操作结果)与操作记录文件名的映射关系。在本发明的一个实施例中，操作记录以时间戳来命名。在获取该操作对象的上一次操作的操作记录文件名时，具体可以将该操作对象作为上一次操作的操作结果，根据操作结果与操作记录文件名的映射关系即可找到对应的操作记录文件名。
44.步骤s103：将解析结果和该操作对象的上一次操作的操作记录文件名进行拼装，生成当前操作的操作记录。数据血缘关系数据库将解析结果中包括的三种元素加上该操作对象的上一次操作的操作记录的文件名拼装，即可得到当前操作的操作记录。
45.步骤s104：将当前操作的操作记录保存到血缘关系数据库中。在得到当前操作的操作记录后，将该操作记录保存成文件，以时间戳(精确到毫秒)为文件名记录到血缘关系数据库中。在本发明的实施例中，所述操作记录以结构表的形式进行存储。该结构表例如时xml格式，或者json格式等。
46.根据本发明的实施例，对血缘关系数据库中存储的操作记录，按照设定的合并文件个数进行操作记录合并，且合并后的操作记录根据合并前的操作记录文件名中的最小时间戳和最大时间戳来进行命名。例如，可以将每10个操作记录文件合并成一个文件，也就是将10个xml文件合并成一个xml文件，文件名命名为这10个文件名的最大时间戳和最小时间戳拼接构成。通过对操作记录文件进行合并，可以减少文件个数，提高磁盘读取效率。另外，在另一个实施例中，还可以对血缘关系数据库中存储的操作记录进行压缩存储，以进一步减少数据存储空间，提升数据查询速度和效率。
47.根据本发明的又一个实施例，基于前述的血缘关系数据库，还可以进行数据来源查找。响应于数据的来源查找请求，根据数据标识查找所述数据的最近一次操作的操作记录；对所述操作记录进行解析，并根据解析结果确定所述数据对应的原始数据。
48.根据本发明的又一个实施例，所述解析结果还包括操作算子和操作范围；根据解析结果确定所述数据对应的原始数据，包括：若所述解析结果不包括所述操作对象的上一次操作的操作记录文件名，则根据所述操作对象和所述操作算子，从所述操作范围中确定所述数据对应的原始数据；若所述解析结果包括所述操作对象的上一次操作的操作记录文件名，则对所述操作对象的上一次操作的操作记录进行解析，并重复执行上述步骤以根据
解析结果确定所述数据对应的原始数据。具体地，若解析结果中包括操作对象、操作算子和操作范围，但是不包括操作对象的上一次操作的操作记录文件名，则说明该操作记录为对分布式数据系统中最原始数据的操作，故而直接根据操作对象和操作算子，从操作范围中确定该数据对应的原始数据。若解析结果中除了包括操作对象、操作算子和操作范围之外，还包括操作对象的上一次操作的操作记录文件名，则说明需要二级溯源，或者更多级别的溯源，此时需要对该操作对象的上一次操作的操作记录进行解析，并重复执行之前的步骤以根据解析结果确定数据对应的原始数据。
49.当用户需要查找某个数据的来源时，仅需要将该数据的最后一次操作记录(xml文件)找到，通过解析xml文件里面的操作对象、操作算子和操作范围，就能找到原始数据。如果需要二级或者三级溯源，则再通过xml文件中的上一次操作记录追溯到上一层xml，由此找到原始数据。根据本发明的血缘关系数据库来进行数据溯源，根据xml文件获取数据血缘关系，可以快速地重新构建数据表，保证了数据处理的事务一致性，支持在数据读取中快速查询历史数据，查询中间数据，保证了所有数据的来源都清晰可查。
50.图2是根据本发明实施例的数据处理装置的主要模块示意图。如图2所示，本发明实施例的数据处理装置200主要包括数据操作解析模块201、操作记录获取模块202、操作记录生成模块203和操作记录保存模块204。
51.数据操作解析模块201，用于响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，所述解析结果包括操作对象；
52.操作记录获取模块202，用于获取所述操作对象的上一次操作的操作记录文件名；
53.操作记录生成模块203，用于将所述解析结果和所述操作对象的上一次操作的操作记录文件名进行拼装，生成所述当前操作的操作记录；
54.操作记录保存模块204，用于将所述当前操作的操作记录保存到血缘关系数据库中。
55.根据本发明的一个实施例，所述操作记录以结构表的形式进行存储。
56.根据本发明的另一个实施例，所述操作记录以时间戳来命名。
57.根据本发明的又一个实施例，数据处理装置200还包括操作记录再处理模块(图中为未示出)，用于：对血缘关系数据库中存储的操作记录，按照设定的合并文件个数进行操作记录合并，且合并后的操作记录根据合并前的操作记录文件名中的最小时间戳和最大时间戳来进行命名。
58.根据本发明的又一个实施例，操作记录再处理模块(图中为未示出)还可以用于：对血缘关系数据库中存储的操作记录进行压缩存储。
59.根据本发明的又一个实施例，数据处理装置200还包括数据来源查找模块(图中为未示出)，用于：响应于数据的来源查找请求，根据数据标识查找所述数据的最近一次操作的操作记录；对所述操作记录进行解析，并根据解析结果确定所述数据对应的原始数据。
60.根据本发明的又一个实施例，所述解析结果还包括操作算子和操作范围；数据来源查找模块(图中为未示出)还可以用于：若所述解析结果不包括所述操作对象的上一次操作的操作记录文件名，则根据所述操作对象和所述操作算子，从所述操作范围中确定所述数据对应的原始数据；若所述解析结果包括所述操作对象的上一次操作的操作记录文件名，则对所述操作对象的上一次操作的操作记录进行解析，并重复执行上述步骤以根据解
析结果确定所述数据对应的原始数据。
61.根据本发明实施例的技术方案，通过响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，解析结果包括操作对象；获取该操作对象的上一次操作的操作记录文件名；将解析结果和该操作对象的上一次操作的操作记录文件名进行拼装，生成当前操作的操作记录；将当前操作的操作记录保存到血缘关系数据库中的技术方案，可以直接对分布式文件系统中的数据进行操作，并将操作记录保存到数据血缘关系数据库中，使得数据仅通过分布式文件系统和数据血缘关系数据库即可满足数据存储和计算的全部需求，数据仓库技术架构结构简单，无需对数据进行分层处理，数据血缘关系溯源简单，且可以保持操作事务一致性；同时大幅降低了数据仓库系统建设成本，灵活性强。根据本发明的血缘关系数据库来进行数据溯源，根据操作记录获取数据血缘关系，可以快速地重新构建数据表，保证了数据处理的事务一致性，支持在数据读取中快速查询历史数据，查询中间数据，保证了所有数据的来源都清晰可查。
62.图3示出了可以应用本发明实施例的数据处理方法或数据处理装置的示例性系统架构300。
63.如图3所示，系统架构300可以包括终端设备301、302、303，网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
64.用户可以使用终端设备301、302、303通过网络304与服务器305交互，以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用，例如数据库类应用、数据分析工具应用、数据处理类应用、数据仓库等(仅为示例)。
65.终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
66.服务器305可以是提供各种服务的服务器，例如对用户利用终端设备301、302、303所发来的数据处理请i去提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的数据处理请求等数据进行响应于用户对数据进行操作，对操作语句进行解析得到解析结果，所述解析结果包括操作对象；获取所述操作对象的上一次操作的操作记录文件名；将所述解析结果和所述操作对象的上一次操作的操作记录文件名进行拼装，生成所述当前操作的操作记录；将所述当前操作的操作记录保存到血缘关系数据库中等处理，并将处理结果(例如操作记录、操作记录保存结果
‑‑
仅为示例)反馈给终端设备。
67.需要说明的是，本发明实施例所提供的数据处理方法一般由服务器305执行，相应地，数据处理装置一般设置于服务器305中。
68.应该理解，图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
69.下面参考图4，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统400的结构示意图。图4示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
70.如图4所示，计算机系统400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储部分408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有系统400操作所需的各种程序和数据。
cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
71.以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
72.特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(cpu)401执行时，执行本发明的系统中限定的上述功能。
73.需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、rf等等，或者上述的任意合适的组合。
74.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
75.描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以
通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据操作解析模块、操作记录获取模块、操作记录生成模块和操作记录保存模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，操作记录保存模块还可以被描述为“用于将所述当前操作的操作记录保存到血缘关系数据库中的模块”。
76.作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：响应于用户对数据进行操作，对操作语句进行解析得到解析结果，所述解析结果包括操作对象；获取所述操作对象的上一次操作的操作记录文件名；将所述解析结果和所述操作对象的上一次操作的操作记录文件名进行拼装，生成所述当前操作的操作记录；将所述当前操作的操作记录保存到血缘关系数据库中。
77.根据本发明实施例的技术方案，通过响应于用户对数据进行操作，对当前操作的操作语句进行解析得到解析结果，解析结果包括操作对象；获取该操作对象的上一次操作的操作记录文件名；将解析结果和该操作对象的上一次操作的操作记录文件名进行拼装，生成当前操作的操作记录；将当前操作的操作记录保存到血缘关系数据库中的技术方案，可以直接对分布式文件系统中的数据进行操作，并将操作记录保存到数据血缘关系数据库中，使得数据仅通过分布式文件系统和数据血缘关系数据库即可满足数据存储和计算的全部需求，数据仓库技术架构结构简单，无需对数据进行分层处理，数据血缘关系溯源简单，且可以保持操作事务一致性；同时大幅降低了数据仓库系统建设成本，灵活性强。根据本发明的血缘关系数据库来进行数据溯源，根据操作记录获取数据血缘关系，可以快速地重新构建数据表，保证了数据处理的事务一致性，支持在数据读取中快速查询历史数据，查询中间数据，保证了所有数据的来源都清晰可查。
78.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。