互联网百万级应用的大数据处理问题

我说的大数据量处理是指同时需要对数据进行检索查询，同时有高并发的增删改操作。记得以前在XX做电力时，几百万条数据，那时一个检索查询可以让你等你分钟。现在我是想探讨下对大数据量的处理，那时我就在想例如腾讯，盛大，动辄数以亿计的帐号，怎么能这么

我说的大数据量处理是指同时需要对数据进行检索查询，同时有高并发的增删改操作。记得以前在XX做电力时，几百万条数据，那时一个检索查询可以让你等你分钟。现在我是想探讨下对大数据量的处理，那时我就在想例如腾讯，盛大，动辄数以亿计的帐号，怎么能这么快呢， 于是找到了互联网现在对数据处理的发展。

对于大数据量处理，如果是互联网处理的话，一般分为下面阶段：

1. 第一阶段，所有数据都装入一个数据库，当数据量大了肯定就会出现问题，就像刚刚说的查询，于是想办法。
2. 第二阶段，那时肯定想做缓存机制，确实可以如加上缓存Memcached，但缓存也是治标不治本，数据量太大了也是不行，于是有了下面的方法。
3. 第三阶段，master-slave模式，进行主从数据库，master提供写，slave进行读，这个适合于有写造成数据库卡的方法，XX那个还是不行，于是——
4. 第四阶段，垂直分库，这个意义还是不大，对于这种采集数据的，于是——
5. 第五阶段，进行水平分库，这个不错，记得以前从兴也是按这个分时间水平分库，其实可以分的更细点估计效果更好
6. 第六阶段，用nosql做了，关于nosql怎么做可以参考google的bigtable

其实本文主要目的也是想探讨nosql对大数据量的处理：

NOSQL就是将写操作在内存中进行，定时或按某一条件将内存中的数据直接写到磁盘上，一定基础上是解决了一些问题：

1. 高并发读写的需求?
2. 海量数据访问的需求
3. 数据库横向扩展性的需求

CAP理论来说，nosql是牺牲了一致性，做到了AP，一致性只是保证了最终一致性。

缺点也很明显：

1. 当机器挂了数据将会丢失，可以考虑共享内存解决。

补充：其实这里可以展开了讲，一种是通过共享内存来实现。

集群内存：根据的是Quorum NRW理论，比如你有N台机子用来集群，每次你进行读写数据时可以至少要同步到X个节点才算成功，所以你每次读数据时只需要读大于N-X个节点就能保持你的正确率，其实就是对数据进行的冗余备份，不过我们存的是内存，相对于直接的磁盘操作，跨网络进行内存操作可以更快。

其实还一种保证数据一致性，就是记录日志，当数据每次写操作内存时都进行日志记录，然后再在内存中进行写操作，至少很多数据库就是这样做的，如redis。

2. 内存的限制，内存有限当写数据操作太大的时候内存也会爆。

解决：Bigtable的做法是通过bloom-filter算法合并掉相同的操作，比如UPDATE A='A' ，update A='B'时可以直接合并了。

基本理论基础

nosql理论基础：内存是新的硬盘，硬盘是新的磁盘

关系型数据库都要实现事务ACID，即：原子性(Atomicity)，一致性(Consistency)，隔离性(Isolation)， 持久性(Durability)。

CAP理论：

• Consistency 一致性
• Availability -可用性
• Partition -容错性

?大多数NoSQL数据库都不支持事务，不支持SQL等，所以还是得保留关系型数据库。现在有人提到用内存数据库， 总体如果是简单业务来说，NOSQL的速度比内存数据库更快，但NOSQL最大缺点，不支持事务，不支持SQL查询等。