后端产品经理笔记：数据传输和写入

在后端数据量大起来之后，大部分的工作都是在“玩数据”。就像一捧沙子，左手换到右手，右手指缝间分流而出，再由另一双手接住。所以作为产品经理，不仅要知道数据从哪来，还要理清楚获取数据之后的运算逻辑、异常规则，以及异常情况、数据日志等等。

本文继数据库之后，梳理了数据交互笔记，有兴趣的朋友可以一起交流。

一、跨服务器数据传输

（1）公司的后端数据之所以存在不同的数据库上，本质是为了解耦数据，提高单个数据库的运算速度。多个子系统之间的交互，其本质就是数据传输。

数据传输方式：MQ（队列）、http接口、otter、爬取、导入。

（2）MQ适用于公司内部，数据量大，规律性强，批量往来的数据。一般的配置是一方推出增量数据，另一方被动消费，像排队进厕所一样，不用设定频率。

（3）http接口是最常用的。叫 interface，也有的叫 protocol。

如果数据源是一缸水，那么接口就像是凿了一个口。所以接口必须是在数据源这边，由数据方定义接口。

接口规则就像过滤器一样，设定推送前的筛选、转化等运算规则，这就是接口的核心内容。

接口交互数据可以是主动推送，也可以是请求获取。

• 主动推送一般是数据生产方一旦更新，则触发推送，将所需字段对应值传递过去。
• 请求获取就是数据需求方传递请求参数（请求参数一般是一个条件，比如：时间）。数据生产方则按照协议响应，给出满足条件的数据到请求方（也就是返回参数）。

（4）接口定义是开发的事情，但产品需要确定出范围：

接口定义的规则是什么？传参和返回参数是什么？重复传参时是跳过还是再次获取（一般都再获取）？必传参数是什么？是否回传接收结果给数据生产方？

比如下图：每小时/次取对方表中第一页最新的50条数据。超过的数据下个小时继续取。

（5）确保接口获取的数据及时。

除了生产数据需要及时向下游推送之外，还有基础数据的更新也需要及时给下游同步，有时要做到同时。

方法是两种：触发式和定时脚本。

1. 触发式就是一旦一个参数值满足条件则触发。
2. 脚本式一般用在请求获取数据的时候。因为不知道数据源什么时候更新，所以一般用定时脚本执行请求任务。

请求的频率需要与更新的频率相协调，比如：每次取6小时内更新的数据。每2小时取一次，则不会有问题。但是若每天取一次  就会有漏掉，也就是取数据的频率要高于更新频率。

（6）数据量大的时候，可以用otter：

• 方案1：直接请求对方的接口：数据多的时候 请求就多，会占资源
• 方案2：为保证数据本身及时，OTTER是最好的，也就是库对库的传输（一般一个公司的才这样）。

otter 方法：

1. 数据全在一个表中；
2. 本地库建一个相同的表。

（7）爬取数据

一些第三方公司为了保密，会把文件存在网盘或网页上，比如：第三方支付公司与协议公司约定好账号密码，登录到SFTP筛选出需要的数据然后解析后保持到本地，这也实现了一个服务器之间的转移。

（8）导入：数据量大的，且有规则数据也可以通过导入的方式。

文档一般用csv格式，文件较小，兼容性好，然后需要定义好excel表格对应字段的关系即可。上传时需要对文件检验，建议方案是一旦一处错误，就全部不予导入。

（9）爬取第三方数据的防止丢包机制

案例：到SFTP服务器抓取并解析字段，写入数据表。

方案：

1. 断抓补抓：比如： 4号抓修改时间为3号的数据。5号断抓，则6号抓取4、5号的数据。7号抓取6号的数据。
2. 抓空补抓：网关的 每次抓取若抓空（获取的数据是0个）则下次继续抓。直到三次都未取到。则不再补救。

二、数据写入

（1）先落地到中间表

如果获取后还要再本地进行规则运算，则最好先落地到中间表，再由中间表写入最终表。比如：从A系统获取的数据取到B系统，要进行分摊后再写入表。那么最好先落地到B系统的中间表，然后再由中间表写入目标表。

好处是，正向数据：可以异步处理，A——>中间表——>最终表，互相不影响。逆向数据：一旦数据异常，则方便追溯原因。

（2）去重规则：设置去重规则，以便再重复获取数据时更新、插入或者跳过

注意去重规则一旦改变，则需要考虑到历史数据对新数据的影响，因为二者的判重维度不一样，可能会有交叉。

（3）数据日志：目的是记录数据的来龙去脉，追溯以分析bug

产品经理告诉开发加日志，开发就会再后台加，因为log4j开源代码定义了5个主要级别的log：FATAL、ERROR、WARN、INFO、DEBUG，一般可以配置INFO或DEBUG级别的日志。如果需要保留的时间长，则可以将其保存到本地。

本地的需求可以展示给用户看，比如可以从以下维度展示：

（4）单进程锁

脚本执行的频率的时候，为保证数据是按单进程执行，不交叠，就要设置单进程锁。比如：一小时一次，8点没执行完 9点就不要执行。

另外在跑数据的规则上面，不要设置8点跑更新时间7点的，一旦小故障，就容易漏取。正确的要么是更新时间为当前之前更久的，要么就以状态来限定， 比如：取is_use为否的。

（5）同步基础数据的时候 是否提前过滤

比如：A系统维护了用户基础信息（其中有个状态为是否启用），B系统取用，但不做数据维护，只有启用状态的能用，那么是否只取启用状态的到B，还是两种状态都取。

答案是：在数据量差异不大的情况下，取全量。

原因之一：若启用状态的用户忽然被A系统禁用，那么可能该用户在B系统的生产数据报错，这时候到中间表看状态就可以看出来问题，而不需跨系统或跨部门沟通查证。

 

本文由 @ 环滁皆山也 原创