Pasos iniciales con prácticas comunes
Después de crear un clúster, puede utilizar los casos prácticos proporcionados por GaussDB(DWS) para sus servicios.
| Práctica | Descripción | |
|---|---|---|
| Importación y exportación de datos | Esta práctica demuestra cómo cargar datos de muestra a OBS e importar datos de OBS a la tabla de destino en GaussDB(DWS), lo que le ayuda a aprender rápidamente cómo importar datos de OBS a un clúster de GaussDB(DWS). Puede importar datos en formato TXT, CSV, ORC, PARQUET, CARBONDATA o JSON desde OBS a un clúster de GaussDB(DWS) para su consulta. | |
| Esta práctica demuestra cómo usar General Data Service (GDS) para importar datos desde un servidor remoto a GaussDB(DWS). GaussDB(DWS) le permite importar datos en formato TXT, CSV o FIXED. | ||
| GaussDB(DWS) le permite exportar datos de ORC a MRS usando una tabla externa HDFS. Puede especificar el modo de exportación y el formato de datos de exportación en la tabla externa. Los datos se exportan desde GaussDB(DWS) en paralelo usando múltiples DN y se almacenan en HDFS. De este modo, se mejoran los resultados globales de las exportaciones. | ||
| Migración de datos | Este tutorial muestra cómo migrar datos de Oracle a GaussDB(DWS). | |
| Uso de trabajos de Flink DLI para escribir datos de Kafka en DWS en tiempo real | Esta práctica demuestra cómo utilizar trabajos de DLI Flink para sincronizar los datos de consumo de Kafka a GaussDB(DWS) en tiempo real. Esta práctica dura unos 90 minutos. Los servicios de nube utilizados en esta práctica incluyen Virtual Private Cloud (VPC) y las subredes, Elastic Cloud Server (ECS), Object Storage Service (OBS), Distributed Message Service (DMS) for Kafka, Data Lake Insight (DLI) y Data Warehouse Service (DWS) | |
| Tabla de optimización | En esta práctica, aprenderá a optimizar el diseño de sus tablas. Comenzará creando tablas sin especificar su modo de almacenamiento, clave de distribución, modo de distribución o modo de compresión. Cargue los datos de prueba en estas tablas y pruebe el rendimiento del sistema. A continuación, siga excelentes prácticas para crear las tablas de nuevo utilizando nuevos modos de almacenamiento, claves de distribución, modos de distribución y modos de compresión. Vuelva a cargar los datos de prueba y el rendimiento de la prueba. Compare los dos resultados de la prueba para averiguar cómo afecta el diseño de la tabla al espacio de almacenamiento y al rendimiento de la carga y consulta de las tablas. Tiempo estimado: 60 minutos | |
| Funciones avanzadas | En escenarios masivos de big data, con el crecimiento de los datos, el almacenamiento y el consumo de datos aumentan rápidamente. La necesidad de datos puede variar en diferentes periodos de tiempo, por lo tanto, los datos se gestionan de manera jerárquica, mejorando el rendimiento del análisis de datos y reduciendo los costes de servicio. En algunos escenarios de uso de datos, los datos pueden clasificarse en datos calientes y datos fríos accediendo a la frecuencia. | |
| Para tablas de particiones cuyas columnas de particiones son tiempo, la función de gestión automática de particiones se puede agregar para crear automáticamente particiones y eliminar particiones caducadas, reduciendo los costos de mantenimiento de la tabla de particiones y mejorando el rendimiento de las consultas. Para facilitar la consulta y el mantenimiento de datos, la columna de tiempo se utiliza a menudo como la columna de partición de una tabla particionada que almacena datos relacionados con el tiempo, como información de pedidos de comercio electrónico y datos de IoT en tiempo real. Cuando los datos relacionados con el tiempo se importan a una tabla particionada, la tabla debe tener particiones de los intervalos de tiempo correspondientes. Las tablas de particiones comunes no crean automáticamente nuevas particiones ni eliminan particiones caducadas. Por lo tanto, el personal de mantenimiento necesita crear periódicamente nuevas particiones y eliminar particiones caducadas, lo que lleva a un aumento de los costos de operación. Abordando esto, GaussDB(DWS) introduce la función de gestión automática de particiones. Puede establecer los parámetros a nivel de tabla period y ttl para habilitar la función de gestión automática de particiones, que crea automáticamente particiones y elimina las particiones caducadas, reduciendo los costos de mantenimiento de la tabla de particiones y mejorando el rendimiento de las consultas. | ||
| Gestión de bases de datos | Esta práctica demuestra cómo usar GaussDB(DWS) para la gestión de recursos, ayudando a las empresas a eliminar cuellos de botella en el rendimiento de consultas simultáneas. Los trabajos de SQL pueden ejecutarse sin problemas sin afectarse entre sí y consumir menos recursos que antes. | |
| Basándonos en un gran número de mecanismos y prácticas de ejecución de SQL, podemos optimizar sentencias SQL siguiendo ciertas reglas para ejecutar sentencias SQL más rápidamente y obtener resultados correctos. | ||
| Esta práctica incluye los siguientes casos de sesgo de almacenamiento:
| ||
| Un clúster GaussDB(DWS) consiste principalmente en administradores de sistemas y usuarios comunes. Esta práctica describe los permisos de los administradores del sistema y los usuarios comunes y describe cómo crear usuarios y consultar información de usuario. | ||
| Esta práctica demuestra algunos casos básicos de consulta de base de datos:
| ||
| Análisis de datos de muestra | Esta práctica demuestra el análisis de los vehículos pasados en los puntos de control de tráfico. En esta práctica, 890 millones piezas de datos de puntos de control de tráfico se cargan en una única tabla de base de datos en GaussDB(DWS) para realizar una consulta precisa y una consulta difusa. Es un ejemplo de consulta de alto rendimiento de datos históricos en GaussDB(DWS). | |
| Análisis de requisitos de cadena de suministro (conjunto de datos TPC-H) | Esta práctica describe cómo cargar el conjunto de datos de ejemplo de OBS a un clúster de almacén de datos y realizar consultas de datos. Este ejemplo comprende análisis de múltiples tablas y análisis de temas en el escenario de análisis de datos. | |
| En esta práctica, los datos empresariales diarios de cada tienda minorista se cargan desde OBS a la tabla correspondiente en el clúster de almacén de datos para resumir y consultar KPI. Estos datos incluyen la rotación de la tienda, el flujo de clientes, la clasificación de ventas mensuales, la tasa de conversión mensual del flujo de clientes, la relación precio-alquiler mensual y las ventas por unidad de área. Este ejemplo muestra la consulta y el análisis multidimensional de GaussDB(DWS) en el escenario minorista. | ||
| Seguridad de datos | La encriptación de datos es ampliamente utilizada en sistemas de información para evitar el acceso no autorizado y la fuga de datos. Como el núcleo del sistema de información, el almacén de datos de GaussDB(DWS) también proporciona funciones de encriptación de datos, incluidas las encriptación transparente y encriptación utilizando funciones SQL. En esta sección se describe la encriptación de la función de SQL. | |
