大数据平台建设系列:实时数据仓库(实时数仓)建设

Posted 数据闲谈

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了大数据平台建设系列:实时数据仓库(实时数仓)建设相关的知识,希望对你有一定的参考价值。

一.实时数仓的产生

传统意义上的数据仓库主要处理T+1(有的也称为D+1)数据(即:今天产生的数据分析结果明天才能看到),T+1的概念来源于股票交易,是一种股票交易制度,即当日买进的股票,要到下一个交易日才能卖出。

随着数据时效性在企业运营中的重要性日益凸现,例如,实时推荐、精准营销、广告投放效果、实时物流等。数据的实时处理能力成为企业提升竞争力的一大因素,最初阶段企业主要采用来一个需求,编写一个实时计算任务的方式来处理实时数据,随着需求的增多,计算任务也相应增多,并且不同任务的开发人员不同,导致开发风格差异化,该阶段的实时数据处理缺乏统一的规划,代码风格差异化严重,在维护成本和开发效率上有很大障碍。
为避免上述问题,人们参照数据仓库的概念和模型来重新规划和设计实时数据处理,在此基础上产生了实时数据仓库(实时数仓)。
二.离线数仓与实时数仓对比

在这里简单说一下大数据数据仓库的架构:

  • 离线大数据架构:HDFS存储,hive、mr、spark进行离线计算;

  • Lambda架构:在离线大数据架构的基础上增加新链路用于实时数据处理,需要维护离线处理和实时处理两套代码;

  • Kappa架构:批流合一,离线处理和实时处理整合成一套代码,运维成本小,这就是现今flink之所以火的原因。Kappa架构已成为数据仓库架构的新趋势。

三.实时数仓建设思路
  • 计算框架选型:storm/flink等实时计算框架,强烈推荐flink,其『批量合一』的特性及活跃的开源社区,有逐渐替代spark的趋势。

  • 数据存储选型:首要考虑查询效率,其次是插入、更新等问题,可选择apache druid,不过在数据更新上存在缺陷,选型时注意该问题频繁更新的数据建议不要采用该方案。当然存储这块需要具体问题具体分析,不同场景下hbase、redis等都是可选项。

  • 实时数仓分层:为更好的统一管理数据,实时数仓可采用离线数仓的数据模型进行分层处理,可以分为实时明细层写入druid等查询效率高的存储方便下游使用;轻度汇总层对数据进行汇总分析后供下游使用。

  • 数据流转方案: 实时数仓的数据来源可以为kafka消息队列,这样可以做到队列中的数据即可以写入数据湖用于批量分析,也可以实时处理,下游可以写入数据集市供业务使。
综上,实时数仓主要解决数据时效性问题,结合机器学习框架可以处理实时推荐、实时获取广告投放效果等智能化业务场景。实时数仓的建设应早日提上日程,未来企业对数据时效性的要求会越来越高,实时数仓会很好的解决该问题。


下次,我们聊聊数据集市和指标体系建设:《大数据平台建设系列:(四)数据集市和指标体系建设中的困难》

以上是关于大数据平台建设系列:实时数据仓库(实时数仓)建设的主要内容,如果未能解决你的问题,请参考以下文章

实时数据仓库的演进

一文理解实时数据仓库的演进

看完了这篇实时数仓建设,才发现以前的都白看了(内有美团案例)

实时数据仓库的演进

数仓系列第11篇:实时数仓

数仓系列第11篇:实时数仓