实时数仓建设思考与方案记录
点击上方蓝色字体，选择“设为星标”
回复”资源“获取更多惊喜
前言
随着我司业务飞速增长，实时数仓的建设已经提上了日程。虽然还没有正式开始实施，但是汲取前人的经验，做好万全的准备总是必要的。本文简单松散地记录一下想法，不涉及维度建模方法论的事情（这个就老老实实去问Kimball他老人家吧）。
动机
随着业务快速增长，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。
指导思想：Kappa架构
计算引擎
硬性要求
批流一体化——能同时进行实时和离线的操作；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：
严格按照Google Dataflow模型实现；在事件时间、窗口、状态、exactly-once等方面更有优势；非微批次处理，真正的实时流处理；多层API，对table/SQL支持良好，支持UDF、流式join等高级用法。
缺点
生态系统没有Spark强大（不太重要）；
1.10版本相比1.9版本的改动较多，需要仔细研究。
底层（事实数据）存储引擎
硬性要求
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；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
优点：
吞吐量很大；与Flink、Canal等外部系统的对接方案非常成熟，容易操作；团队使用经验丰富。
中间层（维度数据）存储引擎
硬性要求
支持较大规模的查询（主要是与事实数据join的查询）；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
实时写入性能高，且支持基于时间戳的多版本机制；
接入业务库MySQL binlog简单；
可以通过集成Phoenix获得SQL能力。
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，似乎也可以用作OLAP？
Druid——OLAP
InfluxDB/OpenTSDB——时序数据
数仓分层设计
参照传统数仓分层，尽量扁平，减少数据中途的lag，草图如下。
元数据管理
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。）
可行方案
外部存储（e.g. MySQL） + Flink ExternalCatalog
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）
Confluent Schema Registry (CSR) + Kafka Avro Serializer/Deserializer 现在仍然纠结中。
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。
SQL作业管理
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。
可行方案：AthenaX（由Uber开源）
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。
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
数据质量保证
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 etc
留个微信，朋友圈实时更新最新大数据领域动态。好友位有限，速来。