⑴ 如何處理海量數據
在實際的工作環境下，許多人會遇到海量數據這個復雜而艱巨的問題，它的主要難點有以下幾個方面：
一、數據量過大，數據中什麼情況都可能存在。
如果說有10條數據，那麼大不了每條去逐一檢查，人為處理，如果有上百條數據，也可以考慮，如果數據上到千萬級別，甚至 過億，那不是手工能解決的了，必須通過工具或者程序進行處理，尤其海量的數據中，什麼情況都可能存在，例如，數據中某處格式出了問題，尤其在程序處理時， 前面還能正常處理，突然到了某個地方問題出現了，程序終止了。
二、軟硬體要求高，系統資源佔用率高。
對海量的數據進行處理，除了好的方法，最重要的就是合理使用工具，合理分配系統資源。一般情況，如果處理的數據過TB級，小型機是要考慮的，普通的機子如果有好的方法可以考慮，不過也必須加大CPU和內存，就象面對著千軍萬馬，光有勇氣沒有一兵一卒是很難取勝的。
三、要求很高的處理方法和技巧。
這也是本文的寫作目的所在，好的處理方法是一位工程師長期工作經驗的積累，也是個人的經驗的總結。沒有通用的處理方法，但有通用的原理和規則。
下面我們來詳細介紹一下處理海量數據的經驗和技巧：
一、選用優秀的資料庫工具
現在的資料庫工具廠家比較多，對海量數據的處理對所使用的資料庫工具要求比較高，一般使用Oracle或者DB2，微軟 公司最近發布的sql Server 2005性能也不錯。另外在BI領域：資料庫，數據倉庫，多維資料庫，數據挖掘等相關工具也要進行選擇，象好的ETL工具和好的OLAP工具都十分必要， 例如Informatic，Eassbase等。筆者在實際數據分析項目中，對每天6000萬條的日誌數據進行處理，使用SQL Server 2000需要花費6小時，而使用SQL Server 2005則只需要花費3小時。
二、編寫優良的程序代碼
處理數據離不開優秀的程序代碼，尤其在進行復雜數據處理時，必須使用程序。好的程序代碼對數據的處理至關重要，這不僅僅是數據處理准確度的問題，更是數據處理效率的問題。良好的程序代碼應該包含好的演算法，包含好的處理流程，包含好的效率，包含好的異常處理機制等。
三、對海量數據進行分區操作
對海量數據進行分區操作十分必要，例如針對按年份存取的數據，我們可以按年進行分區，不同的資料庫有不同的分區方式，不 過處理機制大體相同。例如SQL Server的資料庫分區是將不同的數據存於不同的文件組下，而不同的文件組存於不同的磁碟分區下，這樣將數據分散開，減小磁碟I/O，減小了系統負荷， 而且還可以將日誌，索引等放於不同的分區下。
四、建立廣泛的索引
對海量的數據處理，對大表建立索引是必行的，建立索引要考慮到具體情況，例如針對大表的分組、排序等欄位，都要建立相應 索引，一般還可以建立復合索引，對經常插入的表則建立索引時要小心，筆者在處理數據時，曾經在一個ETL流程中，當插入表時，首先刪除索引，然後插入完 畢，建立索引，並實施聚合操作，聚合完成後，再次插入前還是刪除索引，所以索引要用到好的時機，索引的填充因子和聚集、非聚集索引都要考慮。
五、建立緩存機制
當數據量增加時，一般的處理工具都要考慮到緩存問題。緩存大小設置的好差也關繫到數據處理的成敗，例如，筆者在處理2億條數據聚合操作時，緩存設置為100000條/Buffer，這對於這個級別的數據量是可行的。
六、加大虛擬內存
如果系統資源有限，內存提示不足，則可以靠增加虛擬內存來解決。筆者在實際項目中曾經遇到針對18億條的數據進行處理， 內存為1GB，1個P42.4G的CPU，對這么大的數據量進行聚合操作是有問題的，提示內存不足，那麼採用了加大虛擬內存的方法來解決，在6塊磁碟分區 上分別建立了6個4096M的磁碟分區，用於虛擬內存，這樣虛擬的內存則增加為 4096*6 + 1024 =25600 M，解決了數據處理中的內存不足問題。
七、分批處理
海量數據處理難因為數據量大，那麼解決海量數據處理難的問題其中一個技巧是減少數據量。可以對海量數據分批處理，然後處 理後的數據再進行合並操作，這樣逐個擊破，有利於小數據量的處理，不至於面對大數據量帶來的問題，不過這種方法也要因時因勢進行，如果不允許拆分數據，還 需要另想辦法。不過一般的數據按天、按月、按年等存儲的，都可以採用先分後合的方法，對數據進行分開處理。
八、使用臨時表和中間表
數據量增加時，處理中要考慮提前匯總。這樣做的目的是化整為零，大表變小表，分塊處理完成後，再利用一定的規則進行合 並，處理過程中的臨時表的使用和中間結果的保存都非常重要，如果對於超海量的數據，大表處理不了，只能拆分為多個小表。如果處理過程中需要多步匯總操作， 可按匯總步驟一步步來，不要一條語句完成，一口氣吃掉一個胖子。
九、優化查詢SQL語句
在對海量數據進行查詢處理過程中，查詢的SQL語句的性能對查詢效率的影響是非常大的，編寫高效優良的SQL腳本和存儲 過程是資料庫工作人員的職責，也是檢驗資料庫工作人員水平的一個標准，在對SQL語句的編寫過程中，例如減少關聯，少用或不用游標，設計好高效的資料庫表 結構等都十分必要。筆者在工作中試著對1億行的數據使用游標，運行3個小時沒有出結果，這是一定要改用程序處理了。
十、使用文本格式進行處理
對一般的數據處理可以使用資料庫，如果對復雜的數據處理，必須藉助程序，那麼在程序操作資料庫和程序操作文本之間選擇， 是一定要選擇程序操作文本的，原因為：程序操作文本速度快；對文本進行處理不容易出錯；文本的存儲不受限制等。例如一般的海量的網路日誌都是文本格式或者 csv格式（文本格式），對它進行處理牽扯到數據清洗，是要利用程序進行處理的，而不建議導入資料庫再做清洗。
十一、定製強大的清洗規則和出錯處理機制
海量數據中存在著不一致性，極有可能出現某處的瑕疵。例如，同樣的數據中的時間欄位，有的可能為非標準的時間，出現的原因可能為應用程序的錯誤，系統的錯誤等，這是在進行數據處理時，必須制定強大的數據清洗規則和出錯處理機制。
十二、建立視圖或者物化視圖
視圖中的數據來源於基表，對海量數據的處理，可以將數據按一定的規則分散到各個基表中，查詢或處理過程中可以基於視圖進行，這樣分散了磁碟I/O，正如10根繩子吊著一根柱子和一根吊著一根柱子的區別。
十三、避免使用32位機子（極端情況）
目前的計算機很多都是32位的，那麼編寫的程序對內存的需要便受限制，而很多的海量數據處理是必須大量消耗內存的，這便要求更好性能的機子，其中對位數的限制也十分重要。
十四、考慮操作系統問題
海量數據處理過程中，除了對資料庫，處理程序等要求比較高以外，對操作系統的要求也放到了重要的位置，一般是必須使用伺服器的，而且對系統的安全性和穩定性等要求也比較高。尤其對操作系統自身的緩存機制，臨時空間的處理等問題都需要綜合考慮。
十五、使用數據倉庫和多維資料庫存儲
數據量加大是一定要考慮OLAP的，傳統的報表可能5、6個小時出來結果，而基於Cube的查詢可能只需要幾分鍾，因此處理海量數據的利器是OLAP多維分析，即建立數據倉庫，建立多維數據集，基於多維數據集進行報表展現和數據挖掘等。
十六、使用采樣數據，進行數據挖掘
基於海量數據的數據挖掘正在逐步興起，面對著超海量的數據，一般的挖掘軟體或演算法往往採用數據抽樣的方式進行處理，這樣 的誤差不會很高，大大提高了處理效率和處理的成功率。一般采樣時要注意數據的完整性和，防止過大的偏差。筆者曾經對1億2千萬行的表數據進行采樣，抽取出 400萬行，經測試軟體測試處理的誤差為千分之五，客戶可以接受。
還有一些方法，需要在不同的情況和場合下運用，例如使用代理鍵等操作，這樣的好處是加快了聚合時間，因為對數值型的聚合比對字元型的聚合快得多。類似的情況需要針對不同的需求進行處理。
海量數據是發展趨勢，對數據分析和挖掘也越來越重要，從海量數據中提取有用信息重要而緊迫，這便要求處理要准確，精度要高，而且處理時間要短，得到有價值信息要快，所以，對海量數據的研究很有前途，也很值得進行廣泛深入的研究。
⑵ 用SQL代碼建立資料庫、表，有什麼優勢
我覺得唯一的好處是練習語法，在別人面前可以很自豪的說：我是手動創建的資料庫哦。
最重要的一點，不管是手動還是用工具，在創建之後，一定要把所有的sql語句保存一遍——方便以後遷移（創建）資料庫
⑶ 使用資料庫來管理數據有什麼好處
很多
首先是安全性，直觀的，資料庫有密碼，文本沒有，而且資料庫已經全面針對信息管理和處理及安全方面進行了多年的持續開發,做的非常完善
效率上，資料庫發展那麼久了，自然在數據寫入讀取上做了優化，文本的沒有，當然，數據少時執行速度可能看不出區別，但是一旦數據成千上萬，那麼效率就很明顯了，不相信你自己試下吧，打開一個一萬行的文本文檔和打開一個一萬行數據的資料庫哪個快一點
然後是面向對象思想和模塊化思想，為什麼c++會慢慢取代c，但又不能完全取代c，c++的模塊化思想是可以開發一次代碼然後別人可以用他的代碼進一步完善，文本資料庫做起來很難，而且因為需求不同會有不同的結構，而資料庫可以對各種不同需求採用標准統一的sql代碼進行操作，規范統一，當然好很多了
同上面的，sql的查詢，添加，修改，刪除涵蓋了資料庫基本操作的幾乎全部，事實上，這幾個互相組合就可以完成我們正常的所有需求了，而文本資料庫在這方面可能嗎
而且網路化的發展日新月異，文本對網路的同時寫入讀取會怎麼樣誰也不知道，但是資料庫卻可以預料到後果並採取相應措施
事實上，數據量少的話文本資料庫還可能有點好處，比如佔用空間小（但是相對於現在硬碟的容量，這個好處微不足道），數據量一大，文本資料庫的弊端就凸現出來了。
⑷ 關於資料庫中聚合函數問題
聚合函數對一組值執行計算並返回單一的值。聚合函數忽略空值。聚合函數經常與 SELECT 語句的 GROUP BY 子句一同使用。
所有聚合函數都具有確定性。任何時候用一組給定的輸入值調用它們時，都返回相同的值。有關函數確定性的更多信息，請參見確定性函數和非確定性函數。
僅在下列項中聚合函數允許作為表達式使用：
SELECT 語句的選擇列表（子查詢或外部查詢）。
COMPUTE 或 COMPUTE BY 子句。
HAVING 子句。
Transact-SQL 編程語言提供下列聚合函數：
AVG MAX
BINARY_CHECKSUM MIN
CHECKSUM SUM
CHECKSUM_AGG STDEV
COUNT STDEVP
COUNT_BIG VAR
GROUPING VARP
⑸ sql語句處理與代碼處理哪個好
2種都可以.
主要看編程的人員對拿一種熟悉.
其次看數據量:數據量大,建議減少資料庫的壓力,採用代碼方式;量小就SQL處理,提高開發速遞.
最後看客戶要求:用客戶熟悉的,並且能夠接受的方式,會更好.
⑹ 列式資料庫的優缺點
優點：
極高的裝載速度
（最高可以等於所有硬碟IO
的總和，基本是極限了）
適合大量的數據而不是小數據
實時載入數據僅限於增加（刪除和更新需要解壓縮Block
然後計算然後重新壓縮儲存）
高效的壓縮率，不僅節省儲存空間也節省計算內存和CPU。
非常適合做聚合操作。
缺點：
不適合掃描小量數據
不適合隨機的更新
批量更新情況各異，有的優化的比較好的列式資料庫（比如Vertica）表現比較好，有些沒有針對更新的資料庫表現比較差。
不適合做含有刪除和更新的實時操作。
⑺ 千萬條數據用代碼還是SQL
千萬條數據是用SQL的。
1.真正做過幾個項 目才會明白,寫sql語句會比編程代碼還要多。真正的程序,其實是sql。 最後說一句,如果經驗足夠豐富,寫出的統計過程,其執行時間在數分鍾甚至幾個小時都是正常的。
2.在SQL語句中實現通常效率更高，因為在java代碼中往往會損耗很大性能。比如一個最簡單的場景A表100W，B表100W，他們連接的結果是1000條數據。那麼在SQL裡面做連接操作的話，資料庫和java程序之間只需要傳遞1000條數據。如果在Java代碼裡面實現資料庫和Java程序之間需要傳遞200W條數據。
3.從這個簡單的場景可以看到，徒增了傳輸的性能損耗。並且占據了更多應用進程的內存和CPU資源，所以大部分場景下建議是在SQL裡面處理比較優。