《大数据系统构建：可扩展实时数据系统构建原理与最佳实践》一2.3　图模式

本节书摘来自华章出版社《大数据系统构建：可扩展实时数据系统构建原理与最佳实践》一书中的第2章，第2.3节，南森·马茨（Nathan Marz） [美] 詹姆斯·沃伦（JamesWarren） 著 马延辉 向 磊 魏东琦 译，更多章节内容可以访问云栖社区“华章计算机”公众号查看。 2.3 图模式

基于事实的模型中的每个事实都捕捉了一段信息。但事实本身不能表达数据背后的结构。也就是说，数据集中没有包含事实类型的描述，也没有它们之间关系的任何解释。本节将介绍图模式—图捕获使用基于事实的模型进行存储的数据集的结构。我们将讨论图模式的元素，以及使得一个模式可实施的需要。
让我们首先将FaceSpace的事实构建成一个图。

2.3.1 图模式的元素

2.2节详细讨论了FaceSpace事实。每个事实都代表一条用户信息或两个用户之间的关系。图2-16描述了一个图模式，用以表示FaceSpace事实之间的关系，针对用户、他们的个人信息和他们之间的关系，它提供了一个有用的可视化。

图2-16 可视化FaceSpace事实之间的关系
该图强调了图模式的三个核心组件—节点、边和属性：
节点是系统中的实体。在这个例子中，节点是FaceSpace用户，由用户ID表示。再如，如果FaceSpace允许用户将自己看作一边是节点之间的关系。在FaceSpace中，边的含义是显而易见的—用户之间的边代表了FaceSpace朋友关系。以后你可以在用户之间添加额外的边类型，用以标识同事、家人或同学。
属性是关于实体的信息。在这个例子中，年龄、性别、位置和所有其他个人信息都是属性。
节点之间的边是严格的：尽管在图2-16中，属性和节点看起来是连接的，但这些线不是边。它们只是用于辅助说明用户及其个人信息之间的关系。我们用实线代表边、虚线代表属性连接，来表示它们之间的不同。
图模式对数据集包含的所有数据提供了一个完整的描述。接下来将讨论确保数据集内的所有事实都严格遵循该模式的必要性。2.3.2 可实施模式的必要性

这时，信息被存储为事实，并且用图模式描述了数据集包含的事实的类型。你觉得都准备好了，是吗？不，你还需要确定以什么格式存储事实数据。
一种方法是使用半结构化的文本格式，比如JSON。这种格式可实现简单性和灵活性，基本上允许将任何数据写入主数据集，但在这种情况下，对我们的需求来说有点过于灵活了。
为了说明这个问题，假设你选择使用JSON来表示Tom的年龄：

这对于单个事实的表示是没有问题的，但没有办法确保所有随后的事实都遵循相同的格式。由于人为错误，数据集也可能包含这样的事实：

这些例子都是有效的JSON，但它们格式不一致或丢失了数据。尤其是，2.2节强调了每个事实有一个时间戳的重要性，但文本格式不能执行此要求。为了有效地使用数据，你必须为数据集的内容提供保障。
另一种方法是使用一个可实施的模式来严格定义事实的结构。可实施的模式预先需要做更多的工作，但是它们保证所有必需的字段都存在，并确保所有值是预期的类型。有了这些保证，开发人员将对他们期待的数据充满自信—每个事实都有一个时间戳，用户的名字永远是一个字符串，等等。关键之处在于，当创建一块数据发生错误时，可实施的模式会即刻给出错误提示，而不是稍后有人试图在不同的系统中使用数据时才发现错误。错误越早暴露为bug，就越容易捕捉和修复。
在第3章中，你将看到如何使用序列化框架来实现一个可实施的模式。序列化框架提供了一种与语言无关的方式来定义模式中的节点、边和属性，然后生成代码（可能以很多不同的语言），用来序列化和反序列化模式中的对象，这样它们就可以存储到主数据集并被检索到。
此时你可能很想知道细节，不要担心—最好的学习方式是实践。在2.4节中，我们将在SuperWebAnalytics.com实体中设计基于事实的模型，并在第3章中使用序列化框架来实现它。

Preface 前 言 当第一次进入大数据的世界时,我仿佛置身于软件开发的美国西部荒原。许多人放弃了关系型数据库，转而选择带有高度受限模型的NoSQL数据库，主要是因为其使用体验良好、熟悉度较高且这种数据库可以扩展到成千上万台机器上。