实时数仓建设思考与方案记录

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