Bästa praxis för QVD-arkitektur vid migrering till Qlik Cloud

Senast uppdaterad: 2026-10-14

Qlik Cloud stöder stora filer, och inbyggd DataFiles-lagring kan hantera stora QVD-filer. Arkitektoniska överväganden skiljer sig dock åt när man använder stora filer i Qlik Cloud jämfört med Qlik Sense Enterprise on Windows.

QVD-inläsningsprestanda skiljer sig mellan Qlik Sense Enterprise on Windows och Qlik Cloud:

• I Qlik Sense Enterprise on Windows, läser Qlik Engine QVD-filen direkt från den lokala disklagringen. När filerna lagras på den lokala servern är det också minimal fördröjning vid inläsning av data.

• I Qlik Cloud, Qlik-motorn gör ett nätverksanrop för att läsa filinnehållet från webbfillagring. Detta lägger till laddningstid på två sätt. Först, läsning från webbfilslagring över nätverket medför överföringsfördröjning som lokala diskläsningar undviker. För det andra medför den kryptering som krävs för efterlevnadscertifieringar, såsom SOC 2/3 och HIPAA, extra bearbetningskostnader.

  Anteckning om informationMer information om säkerhet och efterlevnad finns i Trust and Security at Qlik (Förtroende och säkerhet hos Qlik).

När du lagrar QVD-filer i Qlik Cloud, inkludera filens läs- och skrivtid i din omladdningsstrategi. Överväg följande metoder när du planerar din QVD-arkitektur i Qlik Cloud:

• Bibehåll optimala QVD-storlekar

• Optimera QVD-inläsningsåtgärder

För mer information om att arbeta med QVD-filer, se:

• Arbeta med QVD-filer

Bibehåll optimala QVD-storlekar

Medan Qlik Cloud kan hantera stora filer, håll dina QVD-filer tillräckligt små för att uppfylla dina prestandakrav. Det finns ingen fast målstorlek, så validera prestanda som en del av din datadesign och optimera ytterligare för att uppnå dina behov. Följande metoder kan hjälpa till att hålla dina QVD-filer inom optimala storleksintervall för snabb inläsning.

För mer information om optimering av programprestanda med stora datavolymer, se:

• Stora datavolymer

Segmentera dina data

Håll nere enskilda filstorlekar genom att segmentera dina data efter naturliga dimensioner som:

• Tidsram: Segmentera dina data efter tidsramar, såsom år eller månader. Till exempel kan du dela upp en QVD som innehåller all din data i två QVD:er:

  • En QVD som innehåller data från de två senaste åren.

  • En QVD som innehåller historiska data äldre än två år.

• Kategori: Segmentera dina data efter logiska kategorier, till exempel:

  • Länder eller regioner.

  • Produktgrupper.

  • Avdelningar.

  Till exempel kan du dela en QVD som innehåller alla dina data efter land eller administrativa områden på andra nivån, som delstater eller provinser.

• Aggregeringsnivå: Aggregera dina data till en högre nivå för att skapa en mindre datamängd. Till exempel:

  • Aggregera daglig data till månatliga sammanfattningar.

  • Aggregera enskilda kunddata till regionala sammanfattningar.

Minska kardinaliteten för data

Att minska kardinaliteten för data i QVD-filerna förbättrar komprimeringen och minskar QVD-filens storlek. Överväg följande metoder:

• Avrundning: Avrunda numeriska värden med hög kardinalitet när det är analytiskt meningsfullt. Detta minskar antalet unika värden, vilket leder till mindre datamängder och snabbare bearbetning av symboltabeller.

• Delning av tidsmarkörer: Dela upp tidsmarkörsfält i separata Datum och Tid fält. Detta sänker kardinaliteten avsevärt och förbättrar komprimeringen.

• Optimera textfält: Textfält kan ha hög kardinalitet, särskilt fält som innehåller långa beskrivningar. För att optimera dina QVD-filer, undvik att inkludera dessa textfält i flera QVD-filer. Flytta dem till dedikerade QVD-filer för att hålla primära data-QVD-filer slanka. Om en enskild text-QVD fortfarande inte presterar tillräckligt bra, segmentera den ytterligare.

Granska QVD-skiktstrategi

QVD-filer kan växa med tiden och kanske inte längre är optimerade för sina ursprungliga användningsfall. Granska din skiktstrategi och avgör om du kan anta en mer detaljerad struktur. Att använda fler, mindre filer kan begränsa effekten av filinläsning.

Till exempel kan att dela upp försäljningsdata i QVD:er per år påskynda omladdningstiderna och göra det möjligt för applikationer att läsa mindre data när de bara behöver datapunkter från de senaste åren.

För mer information om att bygga och lagra QVD-lager, se:

• Laddar nya och uppdaterade poster med inkrementell laddning

Optimera QVD-inläsningsåtgärder

När du laddar data från QVD-filer i Qlik Cloud, optimera dina laddningsåtgärder. Följande metoder kan hjälpa till att minska laddningstiderna vid läsning av QVD-filer.

Minimera lagringsläsningar

Undvik att ladda samma QVD-filer flera gånger inom ett enda laddningsskript. För att minska omkostnaderna, ladda data en gång till en temporär tabell och återanvänd den via RESIDENT-laddningar.

Mer information om dataladdning och residenta tabeller finns i:

• Dataladdning i Qlik Sense

Utnyttja optimerade laster

För ooptimerade scenarier som laddningar med komplexa WHERE-satser eller datatransformationer, överväg att ladda QVD:n i dess optimerade format till en temporär tabell först. Du kan sedan utföra nödvändiga manipulationer och filtreringar via en RESIDENT-laddning till din slutliga måltabell, vilket flyttar bearbetningsbördan från laddning av QVD:n till motorns minne.

För mer information om optimerade och standard QVD-laddningslägen, se:

• QVD-filer

Alternativa fillagringslösningar

Om den administrativa bördan med att lagra dina QVD:er i Qlik Cloud orsakar prestandaproblem vid läsning och skrivning, överväg att testa alternativa fillagringslösningar med konfigurerbara säkerhetsnivåalternativ.

För Qlik Cloud-stödda fillagringslösningar, se Qlik Web Storage Provider-anslutningar (endast på engelska). För att minimera latensproblem, se till att din alternativa fillagringslösning distribueras så nära som möjligt din Qlik Cloud regions klientorganisation.

För mer information om att hantera datafiler, se:

• Hantera datafiler

• Hantera datafiler för klientorganisations- och analysadministratörer