HTAP 在快递行业助力时效分析的落地实践
当前，网购已经成为千家万户主要的购物方式，随着快递体 量的飞速膨胀，分析时效成了摆在快递公司面前的重要课题，有 没有办法既能降低成本又能提升时效呢？
整个快递的生命周期可以用“收发到派签”五个字概括。“收” 是指用户下单，快递小哥来收件，网点建包；“发”是指快递在转 运过程中发往运转中心，发往目的地；“到”是指末端中心到件，分拣到网点；“派”是指派件网点分拣，快递小哥开始派件；“签” 是指快递小哥派件以后，客户签收。
中通快递有一套完善的自研的大数据平台（见图 2-3-1 ）， ETL（Extract Transformation Load，抽取、转换、装载）数据建模 支持到半小时的级别。中通快递大数据平台支持多种数据源的接入，如关系数据库 MySQL 、Oracle，文档数据库 MongoDB 以及 Elasticsearch（ES）。基本上，所有实时任务都是通过大数据平台 来管理的，支持 Kafka、消息队列（MQ）等的接入。不论是离线 ETL 还是 Spark/Flink 的实时任务，都通过大数据平台接入整个大 数据的计算集群，最终进行计算。计算分析的结果再通过大数据 平台提供给使用方：一是将数据推送到数据应用端，用于分析和报表；二是提供给 OLAP 的查询引擎，供用户或其他系统查询。
图 2-3-1 中通快递自研大数据平台
大数据平台首先要满足业务的需求。中通快递的业务具有如下特点：
1）体量很大：业务发展很快，数据量很大，而且每笔订单会 有 5～6 次更新，甚至更多次更新。
2）分析周期长：业务方要求的数据分析所覆盖的周期越来越长。
3）时效要求高：对分析时效的要求也越来越高，已经不满足于 T+1 离线计算，或者半小时级别的分析。
4）多维度：技术方案支撑多维的灵活分析。
5 ）可用性要求高：要突破单机性能瓶颈、单点故障，缩短甚至消除故障恢复时间。
6）并发高：QPS（Queries Per Second，每秒查询率）高，应用要求达到毫秒级的响应。
以技术为出发点，需要实现：
1）打通多个业务场景，设置多个业务指标。
2）实现强一致的分布式事务，实现原有业务模式切换代价小。
3）分析计算的工程化，以及离线存储过程。
4）支持高并发写、高并发更新。
5）支持二级索引与高并发查询。
6 ）支持在线维护，单点故障对业务无影响。
7 ）支持热点自动调度。
8）与现有技术生态紧密结合，做到分钟级的统计分析。
9）支持 100 以上列的大宽表，支持多维度的查询分析。
基于上述业务需求和技术需求，中通快递引入了 TiDB，将多条业务线接到 TiDB 上，包括数据中台、实时宽表、时效分析、 大促看板等。
中通快递的时效系统是对原有时效系统的重构。原来的时效 系统整体架构（见图 2-3-2）比较简单，消费队列通过消息程序把 所有数据写入到数据库，最终在数据库上建立很多存储过程，来 对数据进行统计分析，最终将统计分析的结果提供给应用程序用于查询。
图 2-3-3 是升级后的时效系统架构。
在原有的架构上，升级后的时效系统引入了 TiDB 和 TiSpark，消息接入 Spark/Flink，最终的数据写入 TiDB。把原来 的存储过程全部下线，替换成 TiSpark。数据会写入两端：轻量 级的汇总数据直接写入 Hive（Hadloop 的一个数据仓库工具），通过 OLAP 对外提供查询服务；中途汇总的数据，直接写入关系数据库，如 MySQL。另外，每日使用 DataX 将 T+1 的数据从 TiDB 的数据库同步到 Hive，以便在第二天做离线的 ETL（提取、转换、加载）操作。
图 2-3-2 中通快递原来的时效系统整体架构
图 2-3-3 升级后的时效系统架构
升级后的时效系统架构相较以前的关系数据库的分表，无论是 TP 业务还是 AP 业务，都极大地减少了开发人员的工作量，并且把原来的消息接入切换成大数据的 Spark / Flink，拥抱了现有 的大数据生态，和现有的技术栈融合。
整个架构的升级带来了很多收益。
1）已有系统的数据存储周期从原来的 15 天增加到 45 天， 接下来会到 60 天，以后甚至会更长。在扩展性方面，升级后的架 构能支持在线的横向扩展，随时上下线存储和计算节点，对此应 用基本上是无感知的。
2）在高并发方面，升级后的架构能满足高性能的 OLTP 业务 需求，查询性能略低于原系统，但是满足需求。
3 ）数据库单点的压力没有了，实现了 TP 和 AP 的“分离”， 做到了资源隔离。
4）支持更多维度的业务分析，满足了更多业务分析的需求。
整体架构清晰，可维护性增强，相比之前的存储过程，升级 后整个架构体系非常清晰。
接下来给大家简单地介绍中通快递的大宽表建设情况，如 图 2-3-4 所示。
图 2-3-4 大宽表建设情况
1）目前宽表有 200 多个字段，至今还在继续增加。
2）接入了 10 多个主题（Topic）数据来源。
3）打通各业务产生的数据，并汇聚到 TiDB 生成业务宽表，借助流处理系统 Flink/Spark Streaming 把各个业务端的数据最终 写入 TiDB 的宽表。
4）借助 TiSpark，从业务宽表输出分析结果，同步 3 亿余条数据到 Hive。
5）提供实时数据建设与离线数据 T+1 的整合，基本上可 在 10min 以内完成。
下边是各个接入端，如运单中心、订单中心等以及其他业务系统，接入端会把业务写入 MQ/Kafka。Flink/Spark Streaming 会将 Kafka 里面的消息写入 TiDB 的宽表 （TDB）。TiDB 的宽表上面是 TiSpark，它会通过 TiSpark 的批处 理最终将数据写入 DW 或者 DIM 层，也会将一些汇总数据写入 ST 层，而逐步汇总的数据会写入关系数据库。最终 Java 应用或者 FineReport 报表，会读取关系数据库的汇总数据以及 ST 层的数据。
另外，宽表也会对外提供大量 API 的服务，数据中台、时效系统、数据看板系统等产品，都会调用宽表提供的数据服务。在使用的过程中，我们也遇到了很多问题，我总结为量变引起质变。
1 ）热点问题：在业务高峰时，索引热点较为突出，很多业务是基于时间来查询的，在连续的时间段写入或更新会导致索引的 热点。在大促的时候尤为明显，这样会导致部分 TiKV 的压力非常大。
2）内存碎片化的问题：在系统运行稳定一段时间之后，大量的更新和删除会导致内存碎片化。这个问题已经在后续的版本中修复，系统升级之后没有发现异常。
3）正确使用参数的问题：当读取的数据量达到总体数据量的 1/10 以上时，建议关闭 tispark.plan.allow_index_read 参数。因为在这种情况下，这个参数的收益会变成很小，甚至会带来一些负收益。
TiDB 已经有很丰富的监控指标，它使用的是现在主流的 Prometheus + Grafana，监控指标非常多、非常全。TiDB 支持用户的线上业务，同时也支持开发人员查询数据，因此可能会遇到一些异常的操作，甚至遇到一些 SQL 影响 Server 运行，对生产产生影响。基于 TiDB 提供的监控功能，并针对使用过程中遇到 的一些问题，我们自建了自动监管和告警系统，监控线上特殊账 号的慢查询，自动“杀掉”异常 SQL，并通知运维和应用负责人。我们还开发了查询平台让用户使用 Spark SQL 去查询 TiDB 的数 据，兼顾了并发和安全。对一些很核心的指标，我们额外接入了自研的监控，将核心的告警信息电话告知到相关的值班人员。
业务方的需求不断升级，他们不再满足于数据存得越来越多，还希望系统跑得更快，不仅希望系统要满足分析数据周期的增长，还希望更快地感知业务的变化。下游系统需要更多的订阅信息，希望信息不满足需求时，能主动调取。在开展大促活动时，TiKV 的压力非常大，我们需要真正地实现计算和存储分离。集群太大，不容易管理，问题排查很困难。所以，我们对架构再次进行升级，再次升级后的架构如图 2-3-5 所示。
2.0 时代我们引入了 TiFlash 和 TiCDC，为什么引入 TiFlash？因为 TiFlash 是一个列存数据库，当在 TiDB 上建一条同步链时，整个架构包括 TiDB 都不需要改动。数据写入的整个架构是不变 的，仍然可以通过 Flink/Spark 写入 TiDB 宽表。我们虽然引入了 TiFlash，但是依然保留了部分 TiSpark 任务。由于业务特性，由一些数据汇总得到的结果数据可能会达到了几百万或者上千万的 级别，全部通过 TiFlash 写入 TiDB，时效性跟不上。TiDB 对此 需求提供了后续的解决方案，数据计算会部分切换到 TiFlash 上， TiSpark 和 TiFlash 是共存的。TiSpark 或者 TiSpark 的汇总数据还是会写到 Hive，也有一部分会写到 MySQL，它们都会对外提供数据服务。我们通过引入 TiCDC 把 TiDB 的 Biglog 同步到消息队列里，供下游的业务方使用，进行地域式消费。
图 2-3-5 再次升级后的架构
架构再升级的收获共有两点：
一 是增强时效，部分分析进入了分钟级，运行间隔从 5～15min 降到了 1～2min。
二是降低了资源的使用，降低了 Spark 集群所需的资源量， 物理节点大概从 137 个降到了 77 个。
未来，仍然有很多问题等着我们处理，也有很多地方需要进 一步提升。
1）监控一直是我们比较头疼的一个问题—我们的集群规模 比较大，指标很多，而且有的时候加载非常慢，排查问题的效率得不到保证。监控虽然很全，但是出了问题无法快速定位，这也 给我们线上排查问题带来了一些困扰。
2 ）执行计划偶发不准，会影响集群的指标，导致业务相互 影响。这个情况可能与表的统计信息相关。过去数据清理还是比 较麻烦的，我们现在是通过自己写脚本来支持旧数据的自动 TTL （Time to Live）功能。TiFlash 现在虽然已经支持很多函数知识下 推，但是我们希望可以更多地支持一些应用中遇到的函数。
3）提升集群稳定性。
4）实现 TiSpark 对 TiFlash Batch 的支持。
5）支持用户、资源隔离，避免相互影响。
6）实现分区表支持、数据过滤，提高计算性能。
7）缓解计算抖动问题。
朱友志：中通快递大数据架构师，负责中通大数据基础架构工作。
随着云计算和生成式 AI 的逐渐发展，基础软件的技术栈也在发生变化，市场现存的基础软件领域的图书相对较少，且多数最近两年没有更新。但是，基础软件领域已经发生了巨大变化，我们现在所讲的基础软件是以云、AI 为底座的基础软件，这些新的变化都可以在这本书里找到答案。