数据处理SandDance、Brooklin、xarray、TipDM介绍

以下为你介绍的数据处理软件都可用在Linux系统上:SandDance(数据可视化工具)、Brooklin(近实时大规模数据流式传输)、xarray(在 NumPy 多维数组中加入变量名与坐标索引)、TipDM(数据库建模平台和挖掘工具)。

1、SandDance(数据可视化工具)

SandDance 是微软研究院( Microsoft Research )微软车库( Microsoft Garage )推出的免费数据可视化应用。SandDance 是一款以 Web 为基础的数据视觉化应用,并且提供了触控式的界面,实现使用者和3D信息图表进行互动,更加特别的是可以以不同的角度不同的方式呈现分析结果,使用户可以通过可视化的方式更加直观的接受数据信息。

SandDance 使用:

只要打开浏览器,将数据(TXT、CSV、JSON 格式都支持)上传至 SandDance,随后就能用多样的方式呈现分析结果,对于将数据、研究项目的整理和深入了解很有帮助。

不管你是需要数据模型还是找出异常值,都会变得很简单,只需要选择你需要的数据呈现方式,那么数据遍能够以图形方面呈现。SandDance 提供 2D 和 3D 可视化、条形图、散点图、堆叠图、密度图,以及交互过滤和数据面化。

SandDance 是由几个 JavaScript 组件提供的:

1]、sanddance:core SandDance 可视化画布。

2]、sanddance-react:在基于 React 的应用程序中使用的 core SandDance 可视化画布。

3]、sanddance-explorer:core SandDance 可视化画布与 UI,以支持数据探索,用于基于 React 的应用程序。

数据处理SandDance、Brooklin、xarray、TipDM介绍

数据处理SandDance、Brooklin、xarray、TipDM介绍

下载地址:https://github.com/Microsoft/SandDance

2、Brooklin(近实时大规模数据流式传输)

Brooklin 是一种近实时的大规模数据流分布式服务,LinkedIn 自 2016 年以来一直在使用这项服务,支撑每天数千个数据流和超过 2 万亿条消息。

数据处理SandDance、Brooklin、xarray、TipDM介绍

为什么要开发 Brooklin?

由于对可扩展、低延迟数据处理管道的需求不断在增长,LinkedIn 的数据基础设施也一直在不断演化。以一种可信赖的方式高速传输大量数据并非易事,除此之外,他们还要解决其他问题——为快速增长的数据存储类型和消息系统提供支持同样是一个有待解决的大问题。为此,LinkedIn 开发了 Brooklin,满足了他们对在数据量和系统可变性方面具备伸缩能力的系统的需求。

什么是 Brooklin?

Brooklin 是一个分布式系统,旨在将数据以可靠的方式大规模传输至多个不同的数据存储系统和消息系统。它公开了一组抽象概念,通过编写新的 Brooklin 消费者和生产者来扩展其支持新系统消费和生产数据的能力。在 LinkedIn,Brooklin 被用来将数据传输至多个数据存储系统(如 Espresso 和 Oracle)和消息系统(如 Kafka、Azure Event Hubs 和 AWS Kinesis)。

应用场景:

Brooklin 有两大类应用场景:数据传输桥和变更数据捕获(Change Data Capture,CDC)。

数据传输桥:

数据可以分布在不同的环境(公有云及公司的数据中心)、地理位置或部署组中。通常情况下,由于访问机制、序列化格式、合规性或安全要求的差异,每个环境都有其自身的复杂性。Brooklin 可以作为这些环境之间的“桥梁”,在这些环境之间传输数据。例如,Brooklin 可以在不同的云服务(例如 AWS Kinesis 和 Microsoft Azure)之间、同一数据中心内的不同集群之间甚至不同的数据中心之间传输数据。

Brooklin 致力于提供跨环境数据传输服务,只需要这一项服务即可应对所有复杂的情况,让应用程序开发人员可以专注于处理数据而不是移动数据。此外,这种中心化、托管式和可扩展的框架也方便各个企业实施策略和实现数据监管。例如,通过配置 Brooklin,可以在公司内部实施统一策略,比如要求任何流入的数据都必须采用 JSON 格式,或者任何流出的数据都必须加密。

在开发 Brooklin 之前,LinkedIn 使用 Kafka MirrorMaker(KMM)将 Kafka 数据从一个 Kafka 集群镜像到另一个 Kafka 集群,但在使用这个工具时遇到了伸缩性问题。Brooklin 可以作为数据传输的通用桥梁,这样他们就能够轻松传输大量的 Kafka 数据。正是如此,他们才放弃了 KMM,转而将 Kafka 镜像解决方案整合到 Brooklin 中。

Brooklin 在 LinkedIn 的最大应用场景之一是在集群之间和数据中心之间镜像 Kafka 数据。LinkedIn 重度依赖 Kafka,用 Kafka 来存储所有类型的数据,例如日志记录、跟踪及指标,等等。为了方便集中访问,LinkedIn 的所有数据中心都使用 Brooklin 进行数据汇总。他们还用 Brooklin 在 LinkedIn 和 Azure 之间传输大量的 Kafka 数据。

数据处理SandDance、Brooklin、xarray、TipDM介绍

图示为一个假设示例,Brooklin 被用来汇集两个数据中心的 Kafka 数据,从而可以轻松地从任何数据中心访问整个数据集。每个数据中心的 Brooklin 群集都可以处理多个来源和目的地

Brooklin 用于镜像 Kafka 数据的方案已经过大规模测试,它已完全取代了之前的 KMM,每天镜像消息达数万亿条。Brooklin 解决了使用 KMM 时的痛点,无论是稳定性和可操作性都有所提升。基于 Brooklin 构建 Kafka 镜像解决方案,就可以很好地利用 Brooklin 的一些关键特性,下文将进行更详细的说明。

多租户:

在 KMM 部署模型中,每个 KMM 集群只能在两个 Kafka 群集之间镜像数据。因此,KMM 用户通常需要使用数十个甚至数百个单独的 KMM 集群,这种方式非常难以管理。由于 Brooklin 同时可以处理多个独立的数据管道,所以可以使用一个 Brooklin 集群来同步多个 Kafka 集群,从而降低了维护数百个 KMM 集群的复杂性。

数据处理SandDance、Brooklin、xarray、TipDM介绍

图示为一个假设示例,使用 KMM 来汇集两个数据中心的 Kafka 数据。相比之下,Brooklin 需要的 KMM 集群更少(一个 Brooklin 对应一个来源和目的地)。

动态配置和管理:

有了 Brooklin 服务,通过 HTTP 调用 REST 端点即可轻松创建新数据管道(也称为数据流)和修改现有管道。如果要镜像 Kafka,无需做出更改或部署静态配置即可轻松创建新的镜像管道或修改现有管道的镜像白名单。

虽然镜像管道可以在同一个集群中共存,但 Brooklin 可以单独控制和配置每个管道。也就是说,修改管道的镜像白名单或向管道添加更多资源都不会影响到其他管道。此外,Brooklin 允许按需暂停和恢复单个管道,这在临时操作或修改管道时非常有用。在进行 Kafka 镜像时,Brooklin 支持暂停或恢复整个管道、白名单中的单个主题,甚至单个主题分区。

问题诊断:

Brooklin 还公开了一个诊断 REST 端点,可以按需查询数据流的状态。可以通过该 API 轻松查询某个管道的内部状态,包括单个主题分区是否出现滞后或错误。由于诊断端点汇集了整个 Brooklin 集群的信息,因此可以无需扫描日志文件就可以快速诊断特定分区的问题。

特殊功能:

开发 Brooklin 的目的是为了取代 KMM,因此他们对 Brooklin 的 Kafka 镜像解决方案进行了优化,提高了稳定性和可操作性。为此,他们针对 Kafka 镜像进行了一些独有的改进。

他们努力实现更好的故障隔离,在镜像一个特定分区或主题时出现的错误不会影响到整个管道或集群。Brooklin 能够在分区级别检测出错误,并自动暂停这些有问题的分区镜像。过了一段时间(可配)之后,这些自动暂停的分区可以自动恢复,不需要手动干预。这种特性在临时出现错误时特别有用。与此同时,其他分区和管道的处理不受影响。

为了改进镜像延迟和吞吐量,Brooklin 还可以在免冲刷(flushless)生产模式下运行,在这个模式下,Kafka 的处理进度可在分区级别进行跟踪。检查点是在每个分区而不是管道级别完成的,所以 Brooklin 可以避免进行 Kafka 生产者冲刷(这是一种阻塞的同步调用,通常会让整个管道停顿几分钟)。

通过将 LinkedIn 的所有 KMM 迁移到 Brooklin,他们将镜像集群的数量从数百个减少到大约 12 个。利用 Brooklin 进行 Kafka 镜像还可以加速迭代,因为他们还在不断添加新特性和改进。

变更数据捕获(CDC):

Brooklin 的第二个主要应用场景是变更数据捕获。这些应用场景主要任务是以低延迟数据流的形式传输数据库的更新。例如,LinkedIn 的大部分真实数据(例如作业、连接和配置文件信息)都保存在各种数据库中。有一些应用程序需要知道何时发布了新工作职位、建立新的专业联系或更新成员个人资料。这些应用程序不需要通过查询在线数据库来检测这些变更,Brooklin 会通过近实时的方式传输这些数据库更新。使用 Brooklin 进行变更数据捕获的最大优势之一是可以更好地实现应用程序和在线数据存储系统之间的资源隔离。应用程序可以独立于数据库进行扩展,从而降低了拖垮数据库的风险。LinkedIn 使用 Brooklin 构建 Oracle、Espresso 和 MySQL 的变更数据捕获解决方案,此外,Brooklin 的可扩展模型还有助于编写新的连接器,为数据库源添加 CDC 支持。

数据处理SandDance、Brooklin、xarray、TipDM介绍

变更数据捕获可用于捕获在线数据源的更新,并将其传播到众多应用程序进行近线处理。示例用例是一个通知服务/应用程序,用于监听配置文件更新,以便向相关用户发送通知

引导支持:

有时,在处理增量更新之前,应用程序可能需要完整的数据快照。这在应用程序第一次启动或者由于处理逻辑的变更需要重新处理整个数据集时,可能会出现这种情况。Brooklin 的可扩展连接器模型可以支持这种用例。

事务支持:

很多数据库都支持事务,对于这些数据源,Brooklin 连接器可以确保事务边界。

更多信息:

第一个 Brooklin 发布版本引入了 Kafka 镜像功能,可以使用项目提供的简单指令和脚本来测试。Brooklin 团队正在努力增加对更多数据源和目的地的支持,敬请期待!

下载地址:https://github.com/linkedin/Brooklin

3、xarray(在 NumPy 多维数组中加入变量名与坐标索引)

xarray 是一个开源 Python 包,它可以使处理多维数组更加简单、高效并有趣。xarray 在原始类 NumPy 多维数组中引入了标签化的变量名称和坐标索引,实现了更直观、更简洁和更加不容易出错的能力。该软件包包括一个庞大且不断增长的域无关功能库,用于使用这些数据结构进行高级分析和可视化。xarray 灵感来自同为解决数据分析任务而诞生的 pandas。

多维数组(张量)是计算科学的重要组成部分,它们涉及广泛的领域,包括物理学、天文学、地球科学、生物信息学、工程学、金融学和深度学习。在 Python 中,NumPy 提供了用于处理原始多维数组的基本数据结构和 API,但是,真实世界的数据集通常不仅仅是原始数据,它们有标签,用于编码有关数组值如何映射到空间、时间等位置的信息。所以有有了 xarray 这个项目,它在原始类 NumPy 多维数组中引入了标签化的变量名称和坐标索引,实现了更直观、更简洁和更加不容易出错的能力。

特性:

通过变量名操作多维数组,比如:x.sum('time')。

通过标签而不是位置选中值:x.loc['2014-01-01'] 或 x.sel(time='2014-01-01')。

基于维度名称而不是形状在多维数组上进行数学运算矢量化。

灵活的 groupby split-apply-combine 操作:x.groupby('time.dayofyear').mean()。

基于坐标标签的数据库(例如 alignment),可以平滑地处理缺失值:x, y = xr.align(x, y, join='outer')。

以Python字典的形式跟踪任意元数据:x.attrs。

下载地址:https://github.com/pydata/xarray

4、TipDM(数据库建模平台和挖掘工具)

TipDM数据挖掘建模平台是基于Python引擎、用于数据挖掘建模的开源平台。平台提供数量丰富的数据分析与挖掘建模组件,用户可在没有编程基础的情况下,通过拖拽的方式进行操作,将数据输入输出、数据预处理、挖掘建模、模型评估等环节通过流程化的方式进行连接,帮助用户快速建立数据挖掘工程,提升数据处理的效能。平台的界面如下图所示。

主要特性:

基于Python,用于数据挖掘建模。

使用直观的拖放式图形界面构建数据挖掘工作流程,无需编程。

支持多种数据源,包括CSV文件和关系型数据库。

支持挖掘流程每个节点的结果在线预览。

提供5大类共40种算法组件,包括数据预处理、分类、聚类等数据挖掘算法。

支持新增/编辑算法组件,自定义程度高。

提供众多公开可用的数据挖掘示例工程,一键创建,快速运行。

提供完善的交流社区,提供数据挖掘相关的学习资源(数据、代码和模型等)。

截图如下:

数据处理SandDance、Brooklin、xarray、TipDM介绍

数据处理SandDance、Brooklin、xarray、TipDM介绍

数据处理SandDance、Brooklin、xarray、TipDM介绍

数据处理SandDance、Brooklin、xarray、TipDM介绍

下载地址:http://python.tipdm.org/

注明

以上就是数据处理SandDance、Brooklin、xarray、TipDM的介绍内容,这些数据处理软件都能使用在Linux操作系统中。

栏目相关文章