建设实时数仓之前的思考与方案

一、动机背景

随着业务快速增长，时效性越显重要，传统离线数仓的不足暴露出来：

• 运维层面——所有调度任务只能在业务闲时（凌晨）集中启动，集群压力大，耗时越来越长；

• 业务层面——数据按T+1更新，延迟高，数据时效价值打折扣，无法精细化运营与及时感知异常。

实时数仓即离线数仓的时效性改进方案，从原本的小时/天级别做到秒/分钟级别。底层设计变动的同时，需要尽力保证平滑迁移，不影响用户（分析人员）之前的使用习惯。

实时数仓的建设应早日提上日程，未来企业对数据时效性的要求会越来越高（ 如实时大屏、实时监控、实时风控等 ），实时数仓会很好的解决该问题。

二、指导思想：Kappa架构

一图流，可品

参考大数据数据仓库架构演进：

关于数仓架构，可回顾我们之前分享的文章，更多请移步： 系列 | 漫谈数仓第一篇NO.1『基础架构』

三、计算/存储技术选型

3.1 计算引擎

硬性要求：

1. 批流一体化——能同时进行实时和离线的操作；

2. 提供统一易用的SQL interface——方便开发人员和分析人员。

可选项： Spark、Flink

较优解： Flink

• 优点：

1. 严格按照Google Dataflow模型实现；

2. 在事件时间、窗口、状态、exactly-once等方面更有优势；

3. 非微批次处理，真正的实时流处理；

4. 多层API，对table/SQL支持良好，支持UDF、流式join等高级用法。

• 缺点：

1. 生态系统没有Spark强大（不太重要）；

2. 1.10版本相比1.9版本的改动较多，需要仔细研究。

低至4折！Flink/Kylin/数据分析(湖)...100减50！更多满减低至4折！

3.2 底层（事实数据）| 存储引擎

• 硬性要求：

1. 数据in-flight——不能中途落地，处理完之后直接给到下游，最小化延迟；

2. 可靠存储——有一定持久化能力，高可用，支持数据重放。

• 可选项： 各种消息队列组件（Kafka、RabbitMQ、RocketMQ、Pulsar、...）

• 较优解： Kafka

  1. 吞吐量很大；

  2. 与Flink、Canal等外部系统的对接方案非常成熟，容易操作；

  3. 团队使用经验丰富。

3.3 中间层（维度数据）| 存储引擎

• 硬性要求：

1. 支持较大规模的查询（主要是与事实数据join的查询）；

2. 能够快速实时更新。

• 可选项： RDBMS（MySQL等）、NoSQL（HBase、 Redis 、Cassandra等）

• 较优解 ：HBase

• 优点：

1. 实时写入性能高，且支持基于时间戳的多版本机制；

2. 接入业务库MySQL binlog简单；

3. 可以通过集成Phoenix获得 SQL 能力。

3.4 高层（明细/汇总数据）| 存储/查询引擎

根 据不同的需求，按照业务特点选择不同的方案。

当前已大规模应用，可随时利用的组件：

• Greenplum——业务历史明细、BI支持、大宽表MOLAP

• Redis——大列表业务结果（PV/UV、标签、推荐结果、Top-N等）

• HBase——高并发汇总指标（用户画像）

• MySQL——普通汇总指标、汇总模型等

当前未有或未大规模应用的组件：

• ElasticSearch（ELK）——日志明细，也可以用作OLAP

• Druid——OLAP

• InfluxDB/OpenTSDB——时序数据

四、实时数仓分层架构

参照离线数仓分层，尽量扁平，减少数据中途的lag。

image1

image2

五、元数据管理

5.1 必要性

Kafka本身没有Hive/GP等传统数仓组件的metastore，必须自己维护数据schema。
（Flink 1.10开始正式在Table API中支持Catalog，用于外部元数据对接。）

5.2 可行方案

1. 外部存储（e.g. MySQL） + Flink ExternalCatalog

2. Hive metastore + Flink HiveCatalog（与上一种方案本质相同，但是借用Hive的表描述与元数据体系）

3. Confluent Schema Registry (CSR) + Kafka Avro Serializer/Deserializer

CSR是开源的元数据注册中心，能与Kafka无缝集成，支持RESTful风格管理。producer和consumer通过Avro序列化/反序列化来利用元数据。

六、SQL作业管理

6.1 必要性

实时数仓平台展现给分析人员的开发界面应该是类似Hue的交互式查询UI，即用户写标准SQL，在平台上提交作业并返回结果，底层是透明的。
但仅靠Flink SQL无法实现，需要我们自行填补这个gap。

6.2 可行方案

AthenaX（由Uber开源）

该项目比较老旧，是基于Flink 1.5构建的，预计需要花比较多的时间精力来搞二次开发。

6.3 流程

用户提交SQL → 通过Catalog获取元数据 → 解释、校验、优化SQL → 编译为Flink Table/SQL job → 部署到YARN集群并运行 → 输出结果

重点仍然是元数据问题：如何将AthenaX的Catalog与Flink的Catalog打通？

需要将外部元数据的对应到Flink的TableDescriptor（包含connector、format、schema三类参数），进而映射到相应的TableFactory并注册表。

另 外还需要控制SQL作业对YARN资源的占用，考虑用YARN队列实现，视情况调整调度策略。

七、数据质量

7.1 性能监控

使用Flink Metrics，主要考虑两点：

• 算子数据吞吐量（numRecordsInPerSecond/numRecordsOutPerSecond）

• Kafka链路延迟（records-lag-max）→ 如果搞全链路延迟，需要做数据血缘分析

其他方面待定（术业有专攻，可专业搞监控系统的同学支持）

7.2 数据质量

• 手动对数——旁路写明细表，定期与数据源交叉验证

• 自动监控——数据指标波动告警，基线告警，表级告警 etc.

往期推荐

！ 关注不迷路~ 各种干货、资源定期分享 ！