大数据平台里会产生脏数据，所以很多大数据平台的供应商都说他们有脏数据管理功能，那什么是脏数据呢，我们一起来了解下。
先看一个例子：https://blog.csdn.net/u012762054/article/details/81668209
原文摘录：
故事起因：多人同时操作一个工作单据，保存时间有先后，后保存的数据覆盖了前面保存的数据。网上找到文章都是讲并发处理的原理，没人提到数据丢失后的处理。
这是个真实的案例，对于数据量很少的单据可以随时丢弃脏数据，但是如果是软件管理系统里含有大量数据的表单，直接丢弃就不好了。见下图
货代海运信息录入资料图
举例说明，我们在给一个供应链客户做的一张工作单，里面涉及的服务同时有两种（海运和陆运），其中：
1. 安排海运工作的文员A记录海运的信息;
2. 安排陆运工作的文员B记录陆运的信息;
但是非常不幸的是，两人几乎在同一时间段打开了同一张工作单据，分别录入自己负责的信息，然后保存（A在前，B在后），之后A在查看单据的时候就叫起来了：天啦，我辛辛苦苦的数据不见了！
聪明的你一定想到了，文员B在打开工作单输入“陆运”信息时，“海运”信息全是空的，最后保存时把A的数据给覆盖了（导致A的“海运”数据不见了），原理图如下：

A和B打开单据时，数据是一样的

你也许会嗤之以鼻：切，不就是并发没处理好，导致数据覆盖么。这点小问题，秒秒钟搞定的事。

这种典型的数据并发操作问题，技术上的解决方案也是一搜一大把，归结为两种：

1. 悲观锁：任何一个人打开编辑此单据，标记为锁住，其它人等不得打开编辑，直至它被解锁。

2. 乐观锁：任何人都可以打开单据，可以编辑，保存时通过版本号校验，不通过者视为脏数据，提示数据已更新，不能保存。

鉴于我们的项目是基于WEB的，第一种直接否掉了，第二种实现起来，代码也不难。
我把以上的技术一分析，给她们回复：“我们有了解决方案，谁先保存谁赢，后面才保存的同学，系统说你来晚了，不好意思，你的数据要重新录咯”。So easy，小问题嘛，很容易解决滴。
——————– 剧情反转的分割线——————

可没料到，文员A跳起来对我们说：“ 你们的系统就是狗屎！我花了半个小时辛辛苦苦输入的几十个数据，因为我保存晚了，说没了就没了，你TM在逗我？！”。
咦？我感觉到被妥妥的打脸了，想想人家说得很有道理。数据录入多的人，需要的时间也更长，保存的时间当然会靠后，按我的处理方法，吃亏的是最辛苦的人。原理图如下：
好吧，我道歉，我再想想办法。
And， 作为一个伸手党，我开始在百度上找相关的处理方法，尝试了无数关键字去查找，讲数据库并发冲突原理的有一堆文章，可是就是没人考虑过数据丢失的人的感受，没有人讲如何处理脏数据，没有人！
你们这些宅男IT狗（包括我啊），你们不知道做运输公司、货代、报关企业里接单录单的妹子是多么需要有人多为她们想想，如何才能高效录入单据和节约时间的么？
在和组里小伙伴经过激烈的讨论后，最终采取的方案是：
把用户输入的临时数据在刷新前先保存起来，刷新后在页面提示其可以恢复之前的未保存的数据，有冲突的数据做提示。
技术实现
1. 如果后台提示是版本号不一致的问题，将用户所填的数据保存到浏览器 localstorage；
2. 刷新页面后，判断当前单据是否有缓存数据，如果有，则提示“你有未保存数据，是否恢复？”；
3. 选择“是”， 恢复数据到页面中，并做冲突提示，从localstorage删除数据缓存；
4. 选择“否”，不恢复数据，从localstorage删除数据缓存；

根据此做出方案，录单文员那边表示这个功能棒棒哒。哟吼，问题就此解决咯。文员和IT狗又可以愉快的玩耍了，么么哒！
结论
即将丢失的脏数据也许花费了用户大量的时间去录入，我觉得这个脏数据缓存处理非常重要和必要，看情况多想想就会提供多些价值。IT开发人者要么是觉得过于简单没在意，要么是开发者没有进一步想这个问题，这是非常不好的。我认为每个人的时间和效率都是无比珍贵的，希望同学们不要浪费你的用户的时间。
既然如何处理这个脏数据问题在网上没人提到（或是我没找到），那么我就把它记录下来，以助后人。

一个事物读取了另一个事物未提交的数据。读“脏”数据是指事物A修改某一数据，并将其写回磁盘，事物B读取同一数据后,A由于某种原因被撤销，这时A已修改过的数据恢复原值，B读到的数据就与数据库中的数据不一致，则B读到的数据为“脏”数据，即不正确的数据；脏数据的种类及处理方法

首先，我们来了解一下脏数据的种类，明白我们可能会面对哪些问题。
1 、数据缺失：缺一些记录，或者一条记录里缺一些值（空值），或者两者都缺。原因可能有很多种，系统导致的或人为导致的可能性都存在。如果有空值，为了不影响分析的准确性，要么不将空值纳入分析范围，要么进行补值。前者会减少分析的样本量，后者需要根据分析的计算逻辑，选择用平均数、零、或者等比例随机数等来填补。如果是缺一些记录，若业务系统中还有这些记录，则通过系统再次导入，若业务系统也没有这些记录了，只能手工补录或者放弃。

2、 数据重复：相同的记录出现多条，这种情况相对好处理，去掉重复记录即可。但是怕就怕不完全重复，比如两条会员记录，其余值都一样，就是住址不一样，这就麻烦了，有时间属性的还能判断以新值为准，没有时间属性的就无从下手了，只能人工判断处理。

3、 数据错误：数据没有严格按照规范记录。比如异常值，价格区间明明是100以内，偏偏有价格=200的记录；比如格式错误，日期格式录成了字符串；比如数据不统一，有的记录叫北京，有的叫BJ，有的叫beijing。对于异常值，可以通过区间限定来发现并排除；对于格式错误，需要从系统级别找原因；对于数据不统一，系统无能为力，因为它并不是真正的“错误”，系统并不知道BJ和beijing是同一事物，只能人工干预，做一张清洗规则表，给出匹配关系，第一列是原始值，第二列是清洗值，用规则表去关联原始表，用清洗值做分析，再好一些的通过近似值算法自动发现可能不统一的数据。

最近公司要筛选大数据平台供应商了，每个供应商都给出了自己的优势功能，几乎每个供应商都说自己在数据存储方面特别强大，比如支持块存储、文件存储、对象存储，那这几种存储方式的意义及差异到底是什么呢，我们需要这么多存储方式吗，今天来学习一下。
原文参考：https://www.cnblogs.com/hukey/p/8323853.html

块存储

典型设备：磁盘阵列、硬盘
块存储主要是将裸磁盘空间整个映射给主机使用的。
就是说例如：磁盘阵列里面有5块硬盘，然后可以通过划逻辑盘、做Raid、或者LVM等方式逻辑划分出N个逻辑的硬盘。但是逻辑盘和物理盘是两个完全不同的概念。假设每个硬盘100G，共有5个硬盘，划分为逻辑盘也为5个，每个100G，但是这5个逻辑盘和原来的5个物理盘意义完全不同了。例如第一个逻辑盘第一个20G可能来自物理盘1，第二个20G来自物理盘2，所以逻辑盘是多个物理盘逻辑虚构出来的硬盘。
接着块存储会采用映射的方式将这几个逻辑盘映射给主机，主机上面的操作系统会识别到有5块硬盘，但是操作系统是无法区分到底是物理盘还是逻辑盘，它一概就认为只是5块裸的物理硬盘而已，跟直接拿一块物理硬盘挂载到操作系统没区别，至少操作系统感知上没有区别的。
在此方式下，操作系统还需要对挂载的裸硬盘进行分区、格式化后，才能使用，与平常主机内置的硬盘无差异。

优点
（1）这种方式的好处当然是因为通过了Raid与LVM等手段，对数据提供了保护；
（2）可以将多块廉价的硬盘组合起来，称为一个大容量的逻辑盘对外提供服务，提高了容量；
（3）写入数据时，由于是多块磁盘组合出来的逻辑盘，所以几块硬盘可以并行写入的，提升了读写效率；
（4）很多时候块存储采用SAN架构组网，传输速度以及封装协议的原因，使得传输速度和读写效率得到提升

缺点
（1）采用SAN架构组网时，需要额外为主机购买光纤通道卡，还要购买光纤交换机，造价成本高；
（2）主机之间数据无法共享，在服务器不做集群的情况下，块存储裸盘映射给主机，在格式化使用后，对于主机来说相当于本地盘，那么主机A的本地盘根本不能给主机B去使用，无法共享数据
（3）不利于不同操作系统主机间的数据共享：因为操作系统使用不同的文件系统，格式化后，不同的文件系统间的数据是共享不了的。 例如一台win7，文件系统是FAT32/NTFS，而linux是EXT4，EXT4是无法识别NTFS的文件系统的。

文件存储

 典型设备：FTP、NFS服务器
为了克服文件无法共享的问题，所以有了文件存储。
文件存储也有软硬一体化的设备，但是其实一台普通的PC机，只要装上合适的操作系统和软件，就可以假设FTP与NFS服务了，架上该类服务之后的服务器，就是文件存储的一种了。
主机A可以直接对文件存储进行文件的上传和下载，与块存储不同，主机A是不需要再对文件存储进行格式化的，因为文件管理功能已经由文件存储自己搞定了。

 优点
 （1）造价低：随便一台机器就可以，另外普通的以太网就可以，根本不需要专用的SAN网络，所以造价低
 （2）方便文件共享

 缺点
 （1）读写速率低，传输速率慢：以太网，上传下载速度较慢，另外所有读写都要1台服务器里面的硬盘来承受，相比起磁盘阵列动不动就十几上百块硬盘同时读写，速率慢了许多。

对象存储

典型设备：内置大容量硬盘的分布式服务器
对象存储最常用的方案，就是多台服务器内置大容量硬盘，再装上对象存储软件，然后再额外搞几台服务作为管理节点，安装上对象存储管理软件。管理节点可以管理其他服务器对外提供读写访问功能。
之所以出现对象存储这种东西，是为了克服块存储与文件存储各自的缺点，发扬各自的优点。简单来说块存储读写快，不利于共享，文件存储读写慢，利于共享。能否弄一个读写块，利于共享的存储出来呢？于是就有了对象存储。

首先，一个文件包含了属性（术语：metadata，元数据，例如该文件的大小、修改时间、存储路径等）以及内容（数据）。
像FAT32这种文件系统，是直接将一份文件与metadata一起存储的，存储过程先将文件按照文件系统的最小块大小来打散（例如4M的文件，假设文件系统要求一个块4K，那么就将文件打散称为1000个小块），再写进硬盘里，过程中没有区分数据和metadata的。而每个块最后会告知你下一个要读取的块地址，然后一直这样顺序的按图索骥，最后完成整份文件的所有块的读取。
这种情况下读写速率很慢，因为就算你有100个机械臂在读写，但是由于你只有读取到第一个块，才能知道下一个块在哪里，其实相当于只能有1个机械臂在实际工作。

而对象存储则将元数据独立出来了，控制节点叫元数据服务器（服务器+对象存储管理软件），里面主要负责存储对象的属性（主要是对象的数据被打散存放到了那几台分布式服务器中的信息）而其他负责存储数据的分布式服务器叫做OSD，主要负责存储文件的数据部分。当用户访问对象，会先访问元数据服务器，元数据服务器只负责反馈对象存储在哪里OSD，假设反馈文件A存储在B、C、D三台OSD，那么用户就会再次直接访问3台OSD服务器去读取数据。
这时候由于是3台OSD同时对外传输数据，所以传输的速度就会加快了，当OSD服务器数量越多，这种读写速度的提升就越大，通过此种方式，实现了读写快的目的。

另一方面，对象存储软件是有专门的文件系统的，所以OSD对外又相当于文件服务器，那么就不存在共享方面的困难了，也解决了文件共享方面的问题
所以对象存储的出现，很好的结合了块存储和文件存储的优点

为什么对象存储兼具块存储和文件存储的好处，还要使用块存储和文件存储呢？

（1）有一类应用是需要存储直接裸盘映射的，例如数据库。因为数据需要存储楼盘映射给自己后，再根据自己的数据库文件系统来对裸盘进行格式化的，所以是不能够采用其他已经被格式化为某种文件系统的存储的。此类应用更合适使用块存储。
（2）对象存储的成本比起普通的文件存储还要较高，需要购买专门的对象存储软件以及大容量硬盘。如果对数据量要求不是海量，只是为了做文件共享的时候，直接用文件存储的形式好了，性价比高。

下图简要的总结了三者之间的差异：

对象存储文件系统的关键技术是什么？

（1）分布元数据
（2）并发数据访问，对象存储体系结构定义了一个新的、更加智能化的磁盘接口OSD

什么是OSD？

存储局域网（SAN）和网络附加存储（NAS）是我们比较熟悉的两种主流网络存储架构，而对象存储是一种新的网络存储架构，基于对象存储技术的设备就是对象存储设备，简称：OSD

在存储对象中通过什么对象方式访问对象？

在存储设备中，所有对象都有一个对象标识，通过对象标识OSD命令访问对象

OSD的主要功能是什么？

（1）数据存储。OSD管理对象数据，并将它们放置在标准的磁盘系统上，OSD不提供块接口访问方式，Client请求数据时用对象ID、偏移进行数据读写；
（2）智能分布。OSD用其自身的CPU和内存优化数据分布，并支持数据的预取。由于OSD可以智能的支持对象的预取，从而可以优化磁盘的性能
（3）每个对象元数据的管理。OSD管理存储在其上对象的元数据，该元数据与传统的inode元数据相似，通常包括对象的数据块和对象的长度。