一、資料量過大，資料中什麼情況都可能存在。如果說有10條資料，那麼大不了每條去逐一檢查，人為處理，如果有上百條資料，也可以考慮，如果資料上到千萬級別，甚至過億，那不是手工能解決的了，必須通過工具或者程式進行處理，尤其海量的資料中，什麼情況都可能存在，例如，資料中某處格式出了問題，尤其在程式處理時，前面還能正常處理，突然到了某個地方問題出現了，程式終止了。
二、軟硬體要求高，系統資源佔用率高。對海量的資料進行處理，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，如果處理的資料過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和記憶體，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。
一、選用優秀的資料庫工具。現在的資料庫工具廠家比較多，對海量資料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效能也不錯。另外在bi領域：資料庫，資料倉儲，多維資料庫，資料探勘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。筆者在實際資料分析專案中，對每天6000萬條的日誌資料進行處理，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、編寫優良的程式**。處理資料離不開優秀的程式**，尤其在進行複雜資料處理時，必須使用程式。好的程式**對資料的處理至關重要，這不僅僅是資料處理準確度的問題，更是資料處理效率的問題。良好的程式**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、對海量資料進行分割槽操作。對海量資料進行分割槽操作十分必要，例如針對按年份訪問的資料，我們可以按年進行分割槽，不同的資料庫有不同的分割槽方式，不過處理機制大體相同。例如sql server的資料庫分割槽是將不同的資料存於不同的檔案組下，而不同的檔案組存於不同的磁碟分割槽下，這樣將資料分散開，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割槽下。
四、建立廣泛的索引。對海量的資料處理，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、排序等字段，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，筆者在處理資料時，曾經在乙個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、建立快取機制。當資料量增加時，一般的處理工具都要考慮到快取問題。快取大小設定的好差也關係到資料處理的成敗，例如，筆者在處理2億條資料聚合操作時，快取設定為100000條/buffer，這對於這個級別的資料量是可行的。
六、加大虛擬記憶體。如果系統資源有限，記憶體提示不足，則可以靠增加虛擬記憶體來解決。筆者在實際專案中曾經遇到針對18億條的資料進行處理，記憶體為1gb，1個p4 2.4g的cpu，對這麼大的資料量進行聚合操作是有問題的，提示記憶體不足，那麼採用了加大虛擬記憶體的方法來解決，在6塊磁碟分割槽上分別建立了6個4096m的磁碟分割槽，用於虛擬記憶體，這樣虛擬的記憶體則增加為 4096*6 + 1024 = 25600 m，解決了資料處理中的記憶體不足問題。
七、分批處理海量資料處理難因為資料量大，那麼解決海量資料處理難的問題其中乙個技巧是減少資料量。可以對海量資料分批處理，然後處理後的資料再進行合併操作，這樣逐個擊破，有利於小資料量的處理，不至於面對大資料量帶來的問題，不過這種方法也要因時因勢進行，如果不允許拆分資料，還需要另想辦法。不過一般的資料按天、按月、按年等儲存的，都可以採用先分後合的方法，對資料進行分開處理。
八、使用臨時表和中間表資料量增加時，處理中要考慮提前彙總。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併，處理過程中的臨時表的使用和中間結果的儲存都非常重要，如果對於超海量的資料，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彙總操作，可按彙總步驟一步步來，不要一條語句完成，一口氣吃掉乙個胖子。
九、優化查詢。sql語句在對海量資料進行查詢處理過程中，查詢的sql語句的效能對查詢效率的影響是非常大的，編寫高效優良的sql指令碼和儲存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乙個標準，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1億行的資料使用游標，執行3個小時沒有出結果，這是一定要改用程式處理了。
十、使用文字格式進行處理。對一般的資料處理可以使用資料庫，如果對複雜的資料處理，必須借助程式，那麼在程式運算元據庫和程式操作文字之間選擇，是一定要選擇程式操作文字的，原因為：程式操作文字速度快；對文字進行處理不容易出錯；文字的儲存不受限制等。例如一般的海量的網路日誌都是文字格式或者csv格式（文字格式），對它進行處理牽扯到資料清洗，是要利用程式進行處理的，而不建議匯入資料庫再做清洗。
十
一、定製強大的清洗規則和出錯處理機制。海量資料中存在著不一致性，極有可能出現某處的瑕疵。例如，同樣的資料中的時間字段，有的可能為非標準的時間，出現的原因可能為應用程式的錯誤，系統的錯誤等，這是在進行資料處理時，必須制定強大的資料清洗規則和出錯處理機制。
十
二、建立檢視或者物化檢視。檢視中的資料**於基表，對海量資料的處理，可以將資料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檢視進行，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，那麼編寫的程式對記憶體的需要便受限制，而很多的海量資料處理是必須大量消耗記憶體的，這便要求更好效能的機子，其中對位數的限制也十分重要。
十
四、考慮作業系統問題。海量資料處理過程中，除了對資料庫，處理程式等要求比較高以外，對作業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。尤其對作業系統自身的快取機制，臨時空間的處理等問題都需要綜合考慮。
十
五、使用資料倉儲和多維資料庫。儲存資料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鐘，因此處理海量資料的利器是olap多維分析，即建立資料倉儲，建立多維資料集，基於多維資料集進行報表展現和資料探勘等。
十
六、使用取樣資料。進行資料探勘基於海量資料的資料探勘正在逐步興起，面對著超海量的資料，一般的挖掘軟體或演算法往往採用資料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。一般取樣時要注意資料的完整性和，防止過大的偏差。筆者曾經對1億2千萬行的表資料進行取樣，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**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。海量資料是發展趨勢，對資料分析和挖掘也越來越重要，從海量資料中提取有用資訊重要而緊迫，這便要求處理要準確，精度要高，而且處理時間要短，得到有價值資訊要快，所以，對海量資料的研究很有前途，也很值得進行廣泛深入的研究。
海量資料處理問題
一 給乙個超過100g大小的log file,log中存著ip位址,設計演算法找到出現次數最多的ip位址？該題目要求的是出現次數最多的乙個，有時候題目也會變成求出現次數排名前k的ip位址，兩個問題的解題思路是一致的，只是求前k個會多乙個小步驟，就是建堆，所以現在學習一下，求前k個的思路。100g記憶...
海量資料處理問題
1 給乙個超過100g大小的log le，log中存著ip位址，設計演算法找到出現次數最多的ip位址。如何找到top k的ip 這樣的問題如果出現在資料量較小的情形下，用乙個map或者unordered map都能很快的處理，但是100g這樣的量級放在乙個map裡是絕對不可行的。因此，我們採用雜湊切...
海量資料的處理問題
筆者在實際工作中，有幸接觸到海量的資料處理問題，對其進行處理是一項艱鉅而複雜的任務。原因有以下幾個方面 一 資料量過大，資料中什麼情況都可能存在。如果說有10條資料，那麼大不了每條去逐一檢查，人為處理，如果有上百條資料，也可以考慮，如果資料上到千萬級別，甚至過億，那不是手工能解決的了，必須通過工具或...