数据处理工作总结(2)
二、主要做法
（一）领导重视，为数据处理工作提供强有力的组织保障。
数据处理作为整个农普工作的重要环节，关系到农普工作的好坏，我市农普数据处理工作之所以顺利开展，与市农普办领导密切关心分不开的。农普办领导经常对数据处理工作进行检查指导，及时纠正数据处理工作错误，协调解决数据处理工作遇到的困难。
市农普办领导从普查经费中划拨出数据处理专项经费，用于保障数据处理培训、外聘数据处理人员劳务费、购买数据处理用服务器和PC机等电子设备、网站建设和网络正常运行以及平时日常办公所需要的支出，保障了农普数据处理工作的顺利进行。
（二）精心准备，成立农普数据处理组，制定本市普查数据处理实施方案。
根据南农普办字[2006]11号文《南宁市第二次全国农业普查领导小组办公室成员职责分工方案》的要求，在市农业普查领导小组办公室专门设立数据处理组，并以文件形式明确了数据处理组的工作职责，处理组成员由市统计局计算站业务骨干组成。
根据国家和自治区的普查数据处理实施方案要求，结合南宁市的实际情况，我们制定了农普数据处理实施方案。方案明确规定了整个农普数据处理工作流程、处理模式，建立了数据处理工作岗位责任制，确保了系统管理、扫描、识别、校验、审核、任务管理、数据管理岗位责任到人。市农普办还制定了一些数据处理工作规定，如计算机房管理规定、机房日常工作管理要求等。
（三）密切配合，做好农普清查数据处理工作，为普查正式开展夯实基础。市农普数据处理组积极配合业务组开展农普清查摸底工作，协助业务组完成清查快速汇总工作。
（四）认真筹备，做好数据处理环境的落实、数据处理系统的集成和设备补充工作。
市农普办及时落实了数据处理工作的场地，并对数据场地按要求进行了改造，保证独立接地并且小于1欧姆。购置了17台PC机，在机房安装了一台格力5P天井式空调，给机房配备了打印机，调配5台电脑和2台服务器用于Apras逻辑审核工作，并更新了机房的两台UPS。
及时接收自治区下发的数据处理软、硬件，及时组织数据处理组人员组装设备、安装程序、调试网络、测试系统集成，搭建了与外部隔绝的农普数据处理专用网络，保障了数据处理按时开展。同时，落实了资料周转、调阅和管理的资料库用房。
（五）精心挑选，做好数据处理人员选调和培训工作。
根据农普工作要求，市农普办从各成员单位抽调了一批年纪轻、学历高、业务精的同志充实到农普数据处理工作中来，在数据处理工作各环节担当监督员、审核员等重要角色。并从南宁市有关院校挑选出39名学生参加光电录入和Apras逻辑审核工作。
市农普办多次派出业务骨干参加国家、自治区举办的各种数据处理工作的培训会，结合本市实际制定了详细的培训计划，对我市参加数据处理工作的县区及外聘的人员进行数据处理技术的培训。培训取得良好效果，受训人员熟练理解培训内容和掌握了相应的操作技巧，极大促进了我市农普数据处理工作顺利开展。
（六）合理安排，做好各县区普查表上交及数据处理工作中原始资料的登记交接工作。
制定原始资料交接流程，制作了交接登记表，规定各县区上交普查表的时间，指定专人负责资料的交接工作，原始资料有专门地点存放，专人进行管理，已录入和未录入的资料分开存放，避免了在资料管理上出现混乱。
在光电录入和逻辑审核过程中，每个环节普查表的流转均有详细的记录。特别是在光电录入环节中，有专人领取普查表并由专人负责回收领取的普查表，对于已扫描、已校对、已审核的普查表均有明显标识。
（七）精心组织，做好普查表光电录入和逻辑审核工作。
在自治区下发的12台PC机的基础上，我市又购置一批PC机用于光电录入工作。制定了规范的录入工作流程，领表、扫描、校验、审核、收表等环节均定人定岗，专人负责，市级和县级排出专业人员负责跟班答疑。参与录入工作的人员实行两班倒，每班设有一个由市农普办人员担任的班长负责对光电录入的全面调配。每班交接有详细的交接单，记录清楚前一班未完成的工作、已领出报表的小区名。
数据处理组负责把光电扫描的数据从光电录入系统导出，再导入到Apras逻辑审核中，并进行审核，记录好审核出来的错误笔数。当光电录入导出时遇到错误，数据处理组人员将错误清单打出，交由光电录入当班班长处理。
Apras逻辑审核由乡镇人员操作完成，乡镇人员负责审核、修订本乡镇的农普数据。市农普办统一协调，安排各个乡镇进行数据处理的时间，业务组和数据处理组人员实时监控，当发现问题、错误，及时告知相关乡镇的人员。为进一步控制好我市的数据质量，市农普办结合我市的实情，发挥创新能力，在国家下发的Apras程序制度基础上，新增了19条审核公式和10张汇总表。光电录入工作基本结束后，原先参与光电录入的人员立即转入到Apras逻辑审核的工作。
（八）严格执行，做好农普图像、数据的备份和处理设备的维护工作。
数据处理组对光电录入系统进行刻盘备份，定期对光电扫描的图像和Apras逻辑审核的数据进行备份，图像可以通过程序定时自动备份，Apras中的数据通过人工定时备份。接入农普数据处理专用网络的每台电脑上均装有国家下发的VRV北信源杀毒软件，并对其设置了定时自动查杀病毒。由于措施得当，整个数据处理工作中未出现因操作不当或不及时备份或未及时查杀病毒而造成数据和图像丢失现象。
每天工作结束时，均要求扫描仪操作人员对扫描仪进行清洁。数据处理组每个月定期对扫描仪进行深度清洁。当扫描仪出现故障超出能力范围时，数据处理组均能及时与赞华公司联系，请技术人员上门维护处理故障。其他设备在农普数据处理工作期间未出现任何故障。
及时对光电录入系统和逻辑审核系统进行升级。一旦国家农普网或自治区下文件更新，市农普办数据处理组均能及时对市级相关程序按要求进行更新（包含Apras制度更新），避免出现更新不及时而耽误整个数据处理进程的事件。
（九）服从调配，积极配合全区农普数据处理工作的开展。
根据自治区的要求，在光电录入期间，我市先后支援了贵港市和北海市各一台光电扫描仪，支援贵港市四台PC机，有力支持了兄弟市的数据处理工作。在数据上报后，及时返还了自治区下发的所有扫描仪、PC机、服务器等数据处理设备。
（十）按时保质，做好普查数据质量检查、评估和上报工作。
市农普办安排有专人负责统计每天的光电录入进度，并按照要求及时向自治区上报光电录入进度。
严格按照规定的内容、时间和方式向自治区农普办上报我市农普数据和扫描图像。在上报数据之前，数据经市农普办业务组进行了分析和评估，符合要求的评估报告及有关文字随同普查数据一并上报自治区。
对于自治区审核反馈的数据和错误清单，及时组织人员进行核实、修订，及时按规定再次上报数据。
（十一）密切配合，做好普查数据事后质量抽查工作。
数据上报后，根据自治区农普办的安排，我市派出业务组组长和数据处理业务骨干参加了普查数据事后质量的抽查工作。在整个抽查工作中，我市按照自治区农普办的要求，严格把关，认真完成抽查工作的每一个步骤。我市农普数据处理工作质量得到了较大提升。
三、今后工作计划
下一步数据处理工作的重心将转移到数据资料的开发上。我们计划在自治区反馈数据后,立即组织人员对全市农普资料进行系统整理,及早开展本市的农业普查资料汇编的编辑工作，完成县区一级的汇总并向其反馈相关数据和资料，努力搞好农业普查数据库的建设工作。
篇四：数据处理工作总结——处理海量数据的经验和技巧
一、数据量过大，数据中什么情况都可能存在。
如果说有10条数据，那么大不了每条去逐一检查，人为处理，如果有上百条数据，也可以考虑，如果数据上到千万级别，甚至过亿，那不是手工能解决的了，必须通过工具或者程序进行处理，尤其海量的数据中，什么情况都可能存在，例如，数据中某处格式出了问题，尤其在程序处理时，前面还能正常处理，突然到了某个地方问题出现了，程序终止了。
二、软硬件要求高，系统资源占用率高。
对海量的数据进行处理，除了好的方法，最重要的就是合理使用工具，合理分配系统资源。一般情况，如果处理的数据过TB级，小型机是要考虑的，普通的机子如果有好的方法可以考虑，不过也必须加大CPU和内存，就象面对着千军万马，光有勇气没有一兵一卒是很难取胜的。
三、要求很高的处理方法和技巧。
这也是本文的写作目的所在，好的处理方法是一位工程师长期工作经验的积累，也是个人的经验的总结。没有通用的处理方法，但有通用的原理和规则。
下面我们来详细介绍一下处理海量数据的经验和技巧：
一、选用优秀的数据库工具
现在的数据库工具厂家比较多，对海量数据的处理对所使用的数据库工具要求比较高，一般使用Oracle或者DB2，微软公司最近发布的SQL Server 2005性能也不错。另外在BI领域：数据库，数据仓库，多维数据库，数据挖掘等相关工具也要进行选择，象好的ETL工具和好的OLAP工具都十分必要，例如Informatic，Eassbase等。笔者在实际数据分析项目中，对每天6000万条的日志数据进行处理，使用SQL Server 2000需要花费6小时，而使用SQL Server 2005则只需要花费3小时。
二、编写优良的程序代码
处理数据离不开优秀的程序代码，尤其在进行复杂数据处理时，必须使用程序。好的程序代码对数据的处理至关重要，这不仅仅是数据处理准确度的问题，更是数据处理效率的问题。良好的程序代码应该包含好的算法，包含好的处理流程，包含好的效率，包含好的异常处理机制等。
三、对海量数据进行分区操作
对海量数据进行分区操作十分必要，例如针对按年份存取的数据，我们可以按年进行分区，不同的数据库有不同的分区方式，不过处理机制大体相同。例如SQL Server的数据库分区是将不同的数据存于不同的文件组下，而不同的文件组存于不同的磁盘分区下，这样将数据分散开，减小磁盘I/O，减小了系统负荷，而且还可以将日志，索引等放于不同的分区下。
四、建立广泛的索引
对海量的数据处理，对大表建立索引是必行的，建立索引要考虑到具体情况，例如针对大表的分组、排序等字段，都要建立相应索引，一般还可以建立复合索引，对经常插入的表则建立索引时要小心，笔者在处理数据时，曾经在一个ETL流程中，当插入表时，首先删除索引，然后插入完毕，建立索引，并实施聚合操作，聚合完成后，再次插入前还是删除索引，所以索引要用到好的时机，索引的填充因子和聚集、非聚集索引都要考虑。
五、建立缓存机制
当数据量增加时，一般的处理工具都要考虑到缓存问题。缓存大小设置的好差也关系到数据处理的成败，例如，笔者在处理2亿条数据聚合操作时，缓存设置为100000条/Buffer，这对于这个级别的数据量是可行的。
六、加大虚拟内存
如果系统资源有限，内存提示不足，则可以靠增加虚拟内存来解决。笔者在实际项目中曾经遇到针对18亿条的数据进行处理，内存为1GB，1个P4 2.4G的CPU，对这么大的数据量进行聚合操作是有问题的，提示内存不足，那么采用了加大虚拟内存的方法来解决，在6块磁盘分区上分别建立了6个4096M的磁盘分区，用于虚拟内存，这样虚拟的内存则增加为 4096*6 + 1024 = 25600 M，解决了数据处理中的内存不足问题。
七、分批处理
海量数据处理难因为数据量大，那么解决海量数据处理难的问题其中一个技巧是减少数据量。可以对海量数据分批处理，然后处理后的数据再进行合并操作，这样逐个击破，有利于小数据量的处理，不至于面对大数据量带来的问题，不过这种方法也要因时因势进行，如果不允许拆分数据，还需要另想办法。不过一般的数据按天、按月、按年等存储的，都可以采用先分后合的方法，对数据进行分开处理。
八、使用临时表和中间表
数据量增加时，处理中要考虑提前汇总。这样做的目的是化整为零，大表变小表，分块处理完成后，再利用一定的规则进行合并，处理过程中的临时表的使用和中间结果的保存都非常重要，如果对于超海量的数据，大表处理不了，只能拆分为多个小表。如果处理过程中需要多步汇总操作，可按汇总步骤一步步来，不要一条语句完成，一口气吃掉一个胖子。
九、优化查询SQL语句
在对海量数据进行查询处理过程中，查询的SQL语句的性能对查询效率的影响是非常大的，编写高效优良的SQL脚本和存储过程是数据库工作人员的职责，也是检验数据库工作人员水平的一个标准，在对SQL语句的编写过程中，例如减少关联，少用或不用游标，设计好高效的数据库表结构等都十分必要。笔者在工作中试着对1亿行的数据使用游标，运行3个小时没有出结果，这是一定要改用程序处理了。
十、使用文本格式进行处理
对一般的数据处理可以使用数据库，如果对复杂的数据处理，必须借助程序，那么在程序操作数据库和程序操作文本之间选择，是一定要选择程序操作文本的，原因为：程序操作文本速度快；对文本进行处理不容易出错；文本的存储不受限制等。例如一般的海量的网络日志都是文本格式或者csv格式（文本格式），对它进行处理牵扯到数据清洗，是要利用程序进行处理的，而不建议导入数据库再做清洗。
十一、定制强大的清洗规则和出错处理机制
海量数据中存在着不一致性，极有可能出现某处的瑕疵。例如，同样的数据中的时间字段，有的可能为非标准的时间，出现的原因可能为应用程序的错误，系统的错误等，这是在进行数据处理时，必须制定强大的数据清洗规则和出错处理机制。
十二、建立视图或者物化视图
视图中的数据来源于基表，对海量数据的处理，可以将数据按一定的规则分散到各个基表中，查询或处理过程中可以基于视图进行，这样分散了磁盘I/O，正如10根绳子吊着一根柱子和一根吊着一根柱子的区别。
十三、避免使用32位机子（极端情况）
目前的计算机很多都是32位的，那么编写的程序对内存的需要便受限制，而很多的海量数据处理是必须大量消耗内存的，这便要求更好性能的机子，其中对位数的限制也十分重要。
十四、考虑操作系统问题
海量数据处理过程中，除了对数据库，处理程序等要求比较高以外，对操作系统的要求也放到了重要的位置，一般是必须使用服务器的，而且对系统的安全性和稳定性等要求也比较高。尤其对操作系统自身的缓存机制，临时空间的处理等问题都需要综合考虑。
十五、使用数据仓库和多维数据库存储
数据量加大是一定要考虑OLAP的，传统的报表可能5、6个小时出来结果，而基于Cube的查询可能只需要几分钟，因此处理海量数据的利器是OLAP多维分析，即建立数据仓库，建立多维数据集，基于多维数据集进行报表展现和数据挖掘等。
十六、使用采样数据，进行数据挖掘
基于海量数据的数据挖掘正在逐步兴起，面对着超海量的数据，一般的挖掘软件或算法往往采用数据抽样的方式进行处理，这样的误差不会很高，大大提高了处理效率和处理的成功率。一般采样时要注意数据的完整性和，防止过大的偏差。笔者曾经对1亿2千万行的表数据进行采样，抽取出400万行，经测试软件测试处理的误差为千分之五，客户可以接受。
还有一些方法，需要在不同的情况和场合下运用，例如使用代理键等操作，这样的好处是加快了聚合时间，因为对数值型的聚合比对字符型的聚合快得多。类似的情况需要针对不同的需求进行处理。
海量数据是发展趋势，对数据分析和挖掘也越来越重要，从海量数据中提取有用信息重要而紧迫，这便要求处理要准确，精度要高，而且处理时间要短，得到有价值信息要快，所以，对海量数据的研究很有前途，也很值得进行广泛深入的研究。