基于HBase和Spark构建企业级数据处理平台

作者:沐远

本文整理自来自阿里巴巴的沐远的技术分享，由大数据技术与架构进行整理和总结。

场景需求和挑战

面临的场景

金融风控

• 用户画像库
• 爬虫抓取信息
• 反欺诈系统
• 订单数据

个性化推荐

• 用户行为分析
• 用户画像
• 推荐引擎
• 海量实时数据处理

社交Feeds

• 海量帖子、文章
• 聊天、评论
• 海量实时数据处理

时空时序

• 监控数据
• 轨迹、设备数据
• 地理信息
• 区域分布统计
• 区域查询

大数据

• 维表和结果表
• 离线分析
• 海量实时数据存储

新的挑战

Apache HBase(在线查询) 的特点有：

• 松散表结构(Schema free)
• 随机查询、范围查询
• 原生海量数据分布式存储
• 高吞吐、低延迟
• 在线分布式数据库
• 多版本、增量导入、多维删除

面临的新的挑战：

• 流式及批量入库
• 复杂分析
• 机器学习、图计算
• 生态及联邦分析

选择Spark的原因

• 快：通过query的执行优化、Cache等技术，Spark能够对任意数据量的数据进行快速分析。逻辑回归场景比Hadoop快100倍
• 一站式：Spark同时支持复杂SQL分析、流式处理、机器学习、图计算等模型，且一个应用中可组合上面多个模型解决场景问题
• 开发者友好：同时友好支持SQL、Python、Scala、Java、R多种开发者语言
• 优秀的生态：支持与Ka=a、HBase、Cassandra、MongoDB、Redis、MYSQL、SQL Server等配合使用

平台机构及案例

一站式数据处理平台架构

• 数据入库：借助于Spark Streaming，能够做流式ETL以及增量入库到HBase/Phoenix。
• 在线查询：HBase/Phoenix能够对外提供高并发的在线查询
• 离线分析及算法：如果HBase/Phoenix的数据需要做复杂分析及算法分析，可以使用Spark的SQL、机器学习、图计算等

典型业务场景：爬虫+搜索引擎

• 性能：流吞吐 20万条/秒
• 查询能力：HBase自动同步到solr对外提供全文检索的查询
• 一站式解决方案：Spark服务原生支持通过SQL读取HBase 数据能力进行ETL，Spark + HBase +Solr一站式数据处理平台

典型业务场景：大数据风控系统

• Spark同时支持事中及事后风控
• Spark友好对接HBase、RDS、MongoDB多种在线库

典型业务场景：构建数据仓库(推荐、风控)

• 毫秒级识别拦截代充订单，并发十万量级
• Spark优秀的计算能力：Spark基于列式存储Parquet的分析在数据量大的情况下比Greenplum集群有10倍的性能提升
• 一站式解决方案：Spark服务原生支持通过SQL读取 HBase SQL(Phoenix)数据能力
• 聚焦业务：全托管的Spark服务保证了作业运行的稳定性，释放运维人力，同时数据工作台降低了spark作业管理成本

原理及最佳实践

Spark API的发展经历了RDD、DataFrame、DataSet

Spark Streaming采用的是Micro-Batch方式处理实时数据。

作业堆积、延迟高、并发不够？

• 每批次的并发：调大kafka的订阅的分区、spark.streaming.blockInterval
• 代码热点优化：查看堆栈、broadcast、代码优化

Spark流式处理入库HBase

Micro-Batch Processing：100ms延迟 ，Continuous Processing：1ms延迟

Spark HBase Connector的一些优化

代码托管在：https://github.com/aliyun/aliyun-apsaradb-hbase-demo （包含Spark操作Hbase和Phoenix）