基于Spark的空間大數(shù)據(jù)實時查詢分析關(guān)鍵技術(shù)分析

貴州省氣象服務(wù)中心 貴州 貴陽 550002

1 引言

隨著時代的發(fā)展，氣象資料信息服務(wù)從專業(yè)化向云計算服務(wù)轉(zhuǎn)變，這給氣象數(shù)據(jù)信息的實時性查詢和分析帶來更高的要求。分析當(dāng)前氣象服務(wù)中心業(yè)務(wù)中實時氣象數(shù)據(jù)服務(wù)存在的問題，一方面是傳統(tǒng)溫度、雨量等空間索引方法的設(shè)計一般是建立在磁盤特性基礎(chǔ)上的，需要多次訪問才能實現(xiàn)對實況空間大數(shù)據(jù)的實時查詢分析，這會導(dǎo)致時效性不佳。另一方面是磁盤性能存在問題，無法高效存儲持續(xù)增加的大量空間數(shù)據(jù)，所以難以支持高并發(fā)用戶的實時查詢服務(wù)?；诖?，我們提出利用Spark建立空間大數(shù)據(jù)實時查詢分析技術(shù)，解決上述存在的問題。

2 基于Spark的空間大數(shù)據(jù)實時查詢工作分析

Spark是專門為大規(guī)模的數(shù)據(jù)處理所涉及出的快速通用計算引擎，優(yōu)點較多，快速、簡潔、操作簡單、通用性強，有多種運行模式，而且在工作期間輸出的結(jié)果信息可以充分保存在內(nèi)存中。在Spark的基礎(chǔ)上建立數(shù)據(jù)計算處理框架，同時與SIMBA(分布式空間數(shù)據(jù)系統(tǒng))相結(jié)合，優(yōu)化信息檢索流程，進行科學(xué)分析，可以借助內(nèi)存分布數(shù)據(jù)集打造出允許交互查詢和優(yōu)化迭代工作負(fù)載的計算處理框架。因為Spark可以利用內(nèi)存分布數(shù)據(jù)集進行數(shù)據(jù)分析，而且分析過程產(chǎn)生的中間結(jié)果都會保存在內(nèi)存中，所以可以解決過去框架中處理數(shù)據(jù)導(dǎo)致的磁盤效率較低的問題。

Spark的氣象雷達回波數(shù)據(jù)庫中，設(shè)置有數(shù)據(jù)組織處理結(jié)構(gòu)化數(shù)據(jù)模塊Spark DataFrame，這是建立在RDD的基礎(chǔ)上的。利用分布式大數(shù)據(jù)可以對數(shù)據(jù)庫進行分類，提升處理效率。而對于具體的數(shù)據(jù)，可以借助分區(qū)策略進行優(yōu)化，而Spark DataFrame可以幫助操作人員實現(xiàn)對數(shù)據(jù)庫的分類，并提供系統(tǒng)的操作程序，將數(shù)據(jù)集中處理，進一步提升數(shù)據(jù)查詢檢索效率，改善框架的性能。

另外，為了優(yōu)化大數(shù)據(jù)背景下的氣象實況信息檢索功能，以SIMBA為基礎(chǔ)，借助局部索引和過濾優(yōu)化等操作，可以不修改Spark的內(nèi)核，使得系統(tǒng)嵌入到Spark系統(tǒng)中。在這個背景下進行信息索引，可以準(zhǔn)確界定數(shù)據(jù)范圍。

3 基于Spark的空間大數(shù)據(jù)實時查詢解決方案

在進行氣象實況大數(shù)據(jù)索引時，為了提高系統(tǒng)性能，需要對其進行優(yōu)化，所以提出應(yīng)用SIMBA的思路，對Spark進行優(yōu)化和數(shù)據(jù)庫索引，并保存在特定的內(nèi)存中，用以提高檢錯性能。進行大數(shù)據(jù)的研究，使用Spark存儲數(shù)據(jù)，可以查詢數(shù)據(jù)集中的相關(guān)信息，同時在空間范圍內(nèi)完成索引，可以提升檢索效率，使用解析器可以進行空間信息操作，進行分區(qū)，采取全局過濾和局部空間的模式。在Spark系統(tǒng)中，使用數(shù)據(jù)分區(qū)進行數(shù)據(jù)分布的優(yōu)化，利用操作符完成相關(guān)操作，提高查詢性能，分布式計算中可以利用抽象類分區(qū)標(biāo)準(zhǔn)進行分區(qū)。

在這里，標(biāo)準(zhǔn)主要是按照分區(qū)大小、數(shù)據(jù)局部性以及負(fù)載均衡進行分區(qū)。首先，使用RDD接收數(shù)據(jù)集及其范圍邊界傳值。其次，在預(yù)定義采樣率的基礎(chǔ)上，對數(shù)據(jù)分布情況進行預(yù)測，對原始數(shù)據(jù)劃分成不同分區(qū)，如果某個分區(qū)的數(shù)據(jù)含量超過平均值，需要重新采樣劃分。通過分區(qū)操作可以盡量保證各數(shù)據(jù)分布均勻，不同分區(qū)之間進行有序排列。利用采集分區(qū)完成數(shù)據(jù)集的分區(qū)，可以滿足均衡負(fù)載的要求。而且這樣的話，空間位置相近的數(shù)據(jù)可以實現(xiàn)分區(qū)數(shù)據(jù)的局部性能。

全局過濾：按照數(shù)據(jù)分區(qū)的方式完成數(shù)據(jù)集，將之劃分為大小相近的分區(qū)，可以提升查詢效率。但是進行空間查詢時，需要利用全局掃描的方式篩選信息，所以利用全局過濾的方式可以減少需要掃描的分區(qū)，利用分區(qū)函數(shù)計算每個分區(qū)邊界，將計算數(shù)據(jù)保存在數(shù)組中，這樣進行空間查詢就可以判斷查詢點所在的分區(qū)邊界，進行篩選，從而減少工作量，提升查詢效率。

局部索引：Spark數(shù)據(jù)處理框架在不同分區(qū)收集時，可以按照線段樹的模式實現(xiàn)，在線段樹的基礎(chǔ)上進行空間壓縮，可以快速尋找到需要的數(shù)據(jù)。在應(yīng)用時，首先需要計算出分區(qū)邊界值的中間值，以此作為根節(jié)點，然后利用根節(jié)點將空間劃分成三部分，左、中、右集合，如果想要使用線段樹完成某個范圍內(nèi)的信息查詢時，需要與節(jié)點值對比，如果＜節(jié)點值，就在左集合查找，如果＞節(jié)點值就在右集合查找，最終找到對應(yīng)的節(jié)點值。使用Spark優(yōu)化之后，進行語句查詢，轉(zhuǎn)化成抽象語法，然后進行解析，得到對應(yīng)的表屬性和查詢條，在這個過程中，還能實現(xiàn)對錯誤的糾正操作。

4 大數(shù)據(jù)實時查詢方法設(shè)計

4.1 集群計算 利用Spark的分布式框架，完成氣象實況數(shù)據(jù)索引，將期間的中間結(jié)果保存在內(nèi)存中，然后利用數(shù)據(jù)分區(qū)標(biāo)準(zhǔn)進行優(yōu)化數(shù)據(jù)分布，利用全局過濾和局部索引的方式完成索引操作。在空間范圍內(nèi)進行查詢，并對查詢到的數(shù)據(jù)進行分析嵌入空間索引優(yōu)化，之后利用分布式計算處理時空數(shù)據(jù)，提升查詢效率。

4.2 系統(tǒng)框架 在Spark系統(tǒng)基礎(chǔ)上，利用Spark SQL進行范圍查詢，具有延遲交底，吞吐量高的優(yōu)勢。在具體應(yīng)用時，利用解析器將語句解析成抽象語法樹，然后使用優(yōu)化器補充完整其中的邏輯。從查詢方式分析，使用Spark Catalyst可以通過解析器進行空間查詢，選擇對應(yīng)的關(guān)鍵字、關(guān)鍵詞進行數(shù)據(jù)和特定對象的查詢，這樣可以將查詢對象控制在某個范圍內(nèi)，提升查詢效率。從關(guān)鍵字接口分析，以關(guān)鍵字為主題進行查詢，可以使用空間節(jié)點范圍內(nèi)的關(guān)鍵字作為查詢語言，用此表達空間對象，可以優(yōu)先匹配查詢需求。這樣利用空間范圍借助系統(tǒng)進行查詢，能夠?qū)?shù)據(jù)集中在某個范圍內(nèi)，查詢出所有相關(guān)記錄，效率較高。

5 結(jié)語

在5G時代貴州大力發(fā)展大數(shù)據(jù)產(chǎn)業(yè)，氣象服務(wù)需求必將大幅增加，給空間大數(shù)據(jù)的應(yīng)用帶來更多的難題。所以本文基于Spark分布式內(nèi)存計算框架，從查詢分析、解決方案、查詢方法設(shè)計三個方面，研究解決基于Spark的空間氣象實況大數(shù)據(jù)實時查詢分析的關(guān)鍵技術(shù)。