漫画趣解Flink实时数仓

Posted 大数据兵工厂

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了漫画趣解Flink实时数仓相关的知识,希望对你有一定的参考价值。

我是Flink,最近我抑郁了~

1 搬橡果的小故事

马上过冬了,我和小伙伴灰灰开始屯年货。

今年劳动了大半年,我们收获了整整一车的橡果。众所周知,我们小松鼠们都喜欢把这些心爱的橡果放到储藏室。

于是今天起了个大早,开始搬运这些橡果。

不一会,灰灰突然对我说想要吃一颗昨天摘的灰色小橡果。

我望了望眼前堆积如山的年货,苦恼的摸了摸脑袋:等我搬到了那颗再给你。

灰灰很不开心,嘴里嘟囔着:为啥昨天不能一摘下来我们就搬呢?

我解释道: 我们每年都是攒够一车才一起搬的呀?

看着一边气鼓鼓的灰灰,我放缓了搬运的速度~

抬头望着高高的橡果堆叹了口气。一边搬运,一边翻找他要的那颗小橡果。。。

今天怕是搬不完了~

2 慢 OR 快?

总结下,在故事中我们遇到了几个小烦恼:

  • 每次都是攒了整车橡果才开始搬运,无法及时拿到想要的灰色小橡果
  • 就算我实时搬运。之后再要其他小橡果,我还是不能快速找到,完全记不住之前拿过哪些?放到了哪里?

借由这个小故事,回归到本文主题。

这些关键词也是企业实时数仓建设中常遇到的一些难点和诉求。

2.1 企业实时数仓建设诉求

大多数企业面临数据源多、结构复杂的问题,为了更好的管理数据和赋能价值,常常会在集团、部门内进行数仓建设。

其中一般初期的数仓开发流程大致如下:

  • 获取数据源,进行数据清洗、扩维、加工,最终输出业务指标
  • 根据不同业务,重复进行上述流程开发,即烟囱式开发。

可想而知,随着业务需求的不断增多,这种烟囱式的开发模式会暴露很多问题:

  • 代码耦合度高
  • 重复开发
  • 资源成本高
  • 监控难

为此大量企业的数据团队开始着手数仓规划,对数据进行分层。

数据规整为层级存储,每层独立加工。整体遵循由下向上建设思想,最大化数据赋能。

  • 数据源: 分为日志数据业务数据两大类,包括结构化和非结构化数据。
  • 数仓类型:根据及时性分为离线数仓和实时数仓
  • 技术栈:
    • 采集(Sqoop、Flume、CDC)
    • 存储(Hive、Hbase、mysql、Kafka、数据湖)
    • 加工(Hive、Spark、Flink)
    • OLAP查询(Kylin、Clickhous、ES、Dorisdb)等。

2.2 稳定的离线数仓

早期规划中,在数据实时性要求不高的前提下,基本一开始都会选择建设离线数仓。

1) 技术实现

  • 使用Hive作为数据存储、计算技术栈
  • 编写数据同步脚本,抽取数据到Hive的ODS层中
  • 在Hive中完成dwd清洗加工、维度建模和dws汇总、主题建模
  • 依赖调度工具(dophinScheduler)自动 T+1调度
  • olap引擎查询分析、报表展示

2) 优缺点

  • 配合调度工具,能够自动化实现T+1的数据采集、加工等全流程处理。技术栈简单易操作
  • Hive存储性能高、适合交互式查询
  • 计算速度受Hive自身限制,可能因参数和数据分布等差异造成不同程度的数据延迟

3) 改良

既然我们知道了Hive的运算速度比较慢,但是又不想放弃其高效的存储和查询功能。

那我们试试换一种计算引擎: Spark。

整体流程不变,主要是在ods->dwd->dws层的数据加工由Spark负责。效果是显而易见的,比Hive计算快了不少。

目前两种离线数仓均完美的实现了业务需求。领导第二天一看报表统计,结果皆大欢喜~

现在考虑换一种场景:不想等到第二天才能看到结果,要求实时展示指标,此时需要建设实时数仓。

3 冗余 OR 回溯 ?

既然要求达到实时效果,首先考虑优化加工计算过程。因此需要替换Spark,使用Flink计算引擎。

在技术实现方面,业内常用的实时数仓架构分为两种:Lambda架构和Kappa架构。

3.1 Lambda架构

顾名思义,Lambda架构保留实时、离线两条处理流程,即最终会同时构建实时数仓和离线数仓。

1) 技术实现

  • 使用Flink和Kafka、Hive为主要技术栈
  • 实时技术流程。通过实时采集程序同步数据到Kafka消息队列
  • Flink实时读取Kafka数据,回写到kafka ods贴源层topic
  • Flink实时读取Kafka的ods层数据,进行实时清洗和加工,结果写入到kafka dwd明细层topic
  • 同样的步骤,Flink读取dwd层数据写入到kafka dws汇总层topic
  • 离线技术流程和前面章节一致
  • 实时olap引擎查询分析、报表展示

2) 优缺点

  • 两套技术流程,全面保障实时性和历史数据完整性
  • 同时维护两套技术架构,维护成本高,技术难度大
  • 相同数据源处理两次且存储两次,产生大量数据冗余和操作重复
  • 容易产生数据不一致问题

3) 改良

针对相同数据源被处理两次这个点,对上面的Lambda架构进行改良。

通过将实时技术流的每一层计算结果定时刷新到离线数仓中,数据源读取唯一。大幅减少了数据的重复计算,加快了程序运行时间。

3.2 Kappa架构

为了解决上述模式下数据的冗余存储和计算的问题,同时降低技术架构复杂度,这里介绍另外一种模式: Kappa架构。

1) 技术实现

  • 使用Flink和Kafka为主要技术栈
  • 实时技术流和Lambda架构保持一致
  • 不再进行离线数仓构建
  • 实时olap引擎查询分析、报表展示

2) 优缺点

  • 单一实时数仓,强实时性,程序性能高
  • 维护成本和技术栈复杂度远远低于Lambda架构
  • 源头数据仅作为实时数据流被计算、存储,数据仅被处理一次。
  • 数据回溯难。依赖Kafka存储,历史数据会丢失
  • olap查询难。Kafka需要引入其他对接工具实现olap查询,Kafka天生不适合olap分析。

总体而言,第一种Lambda架构虽然有诸多缺点,但是具备程序稳健性和数据完整性,因此在企业中用的会比较多。

相反Kappa架构用的比较少。因为Kappa架构仅使用Kafka作为存储组件,需要同时满足数据完整性和实时读写,这明显很难做到。

Kappa架构的实时数仓道路将何去何从?

4 新一代实时数仓

我们明白,Kafka的定位是消息队列,可作为热点数据的缓存介质,对于数据查询和存储其实并不适合。

4.1 数据湖技术

近些年,随着数据湖技术的兴起,仿佛看到了一丝希望。

目前市场上最流行的数据湖为三种: Delta、Apache Hudi和Apache Iceberg。

其中Delta和Apache Hudi对于多数计算引擎的支持度不够,特别是Delta完全是由Spark衍生而来,不支持Flink。

对于Iceberg,Flink是完全实现了对接机制。看看其具备的功能:

  • 基于快照读写分离和回溯
  • 流批统一的写入和读取
  • 非强制绑定计算引擎
  • 支持ACID语义
  • 支持表、分区的变更特性

4.2 kappa架构升级

因此考虑对Kappa架构进行升级,使用Flink + Iceberg技术架构,可以解决Kappa架构中的一些问题。

  • 存储介质由Kafka换成Iceberg,其余技术栈保持不变
  • Flink读取源头Kafka数据,结果存储到Iceberg ods层
  • 继续执行后续的ods->dwd->dws层计算、结果存储
  • Iceberg支持流批一体查询,过程中支持olap查询
  • 实时olap引擎查询分析、报表展示

目前Flink社区关于Iceberg的建设已经逐渐成熟,其中很多大厂开始基于Flink + Iceberg打造企业级实时数仓。

有兴趣的小伙伴欢迎添加我的个人微信: youlong525一起讨论~

》》》更多好文,欢迎关注公众号: 大数据兵工厂

以上是关于漫画趣解Flink实时数仓的主要内容,如果未能解决你的问题,请参考以下文章

Flink实时数仓项目—项目初了解

基于Flink的实时计算平台的构建

「回顾」基于Flink的严选实时数仓实践

Flink实时数仓实时的需求

实时数仓系列-网易云音乐基于 Flink + Kafka 的实时数仓建设实践

快手基于 Flink 构建实时数仓场景化实践