不久前，在商業智能實時圖表解決方案的選擇中，我們簡單講了下實時分析的工作流程。今天我們就來詳細討論壹下這個話題。
如果妳已經使用過實時dashboard，或者正打算建立壹個，那麽，這篇文章可以幫助妳理解實時dashboard背後的故事以及實時數據如何展現在妳的dashboard中，從而實現數據可視化。
除去端到端之間極短的時間，數據實時可視化主要有四大步驟。這裏我們用壹張圖來展示。
1、捕獲數據流
實時數據流使用 scrapers、collectors、agents、listeners捕獲，並且存儲在數據庫中。數據庫通常是NoSQL數據庫，例如， Cassandra、MongoDB, 或者有時候是妳只是Hadoop Hive。關系數據庫不適合這種高展現的分析。NoSQL數據庫的崛起也增強了實時數據分析向他靠攏的趨勢。
2、數據流處理
數據流可以通過許多方式處理，比如，分裂、合並、計算以及與外部數據源結合。這些工作由壹個容錯分布式數據庫系統，比如， Storm、Hadoop，這些都是比較常用的大數據處理框架。但是他們卻不是實時數據分析的理想選擇。因為他們依賴MapReduce面向批量的處理。不過Hadoop 2.0允許使用其他計算算法代替MapReduce，這樣使得Hadoop在實時分析系統中運用又進了壹步。處理之後，數據就可以很可視化組件讀取了。
3、數據可視化組件讀取處理過的數據
處理過的數據以結構化的格式(比如JSON或者XML)存儲在NoSQL數據庫中，被可視化組件讀取。在大多數情況下，這會是壹個嵌入到壹個內部BI系統的圖表庫，或者成為像Tableau這種更加廣泛的可視化平臺的壹部分。處理過的數據在JSON/XML文件中的刷新頻率，稱為更新時間間隔。
4、可視化組件更新實時DASHBOARD
可視化組件從結構數據文件(JSON/XML),在圖表界面繪制壹個圖表、儀表或者其他可視化行為。處理過的數據在客戶端展現的頻率叫做刷新間隔時間。在壹些應用程序中，比如帶有圖表渲染功能的股票交易應用程序,會預先設置基於數據流的觸發功能。
會不會覺得很復雜呢?只不過這些過程會在幾秒鐘內，甚至更短時間內完成。這些操作因為不斷進步的數據庫及實時功能變成現實，特別是NoSQL數據庫。再由諸如Storm這種專用於實時進程處理的工具輔助，可以讓其性能效果更上壹層能。現在的可視化數據已經支持需求場景，在當今的大數據應用程序中建立了壹個實時分析生態圈。