【精选实践】一体化无边界的大数据基础平台

作者： tminglei 原文来源：https://tidb.net/blog/e07dc036

过去的两年我在大树金融担任大数据团队负责人，打造了一套一体化无边界的大数据基础平台，其中的一些架构思路和做法值得分享一下。

何谓一体化无边界、它的架构要点、典型应用案例，这些是我接下来要讲的。

一体化无边界

所谓一体化，指的是一套基础架构同时支撑 分析挖掘、线上业务 和流处理。 所谓无边界，指的是同样的组件我们用客户也用、既可以平台 /API 嵌入业务系统也可以业务逻辑嵌入数据平台。

这是我们的基础架构及业务影响图，

接下来讲下它的要点：

架构要点

抽象点说，数据总线连接各类存储、计算组件，组件能力的不同组合可以满足各类业务场景。

这里 数据总线 / 同步能力是关键。正是基于强大的数据同步能力，不同来源的数据可以在数据仓库里被直接访问，不同计算可以分散到不同组件、最后结果汇集于所需要的地方，让平台上不同组件可以取长补短、互通有无。

比如，

[存储体系]

通过实时同步，

• 形成了 热 - 温 - 冷（MySQL-TiDB-Hive/HDFS）存储体系

• 线上 MySQL 专心存储热数据，不再需要分库分表

• TiDB 汇集所有线上业务数据，可提供全量、跨库查询

• Hive/HDFS 有所有数据，业务数据 + 日志数据，支撑大规模分析挖掘

~

[计算转移]

借助实时同步，我们转移了洗数逻辑，不再需要访问不同系统获得数据（直接推送给它），业务迭代更快速（SQL、实时上线），计算结果同步到原来的目标数据库（外部应用不受影响）。

~

依托强大的数据总线 / 同步能力，让我们在选择和组合业务所需的存储、计算能力方面更加自由。

大数据平台一些常见的能力 / 要素如下：

• 快速检索（for 查询）能力

• 快速扫描（for 分析）能力

• 海量存储能力

• 廉价存储能力

• 大规模（批处理）计算能力

• 流处理计算能力

• 图存储 & 计算能力

• 函数 & 算法生态能力

• 数据输出 / 可视化能力

• 资源调度 / 管理能力

• 元数据管理能力

• 等等

我们的一些组件选型及看中的能力如下：

• Kafka w/ connect（数据总线，CDC）

• Hadoop w/ Hive/HDFS/YARN（海量廉价存储，快速扫描，计算资源 & 调度）

• Spark（大规模分析计算，跨源访问，流处理，机器学习）

• Flink（流处理，CEP，等）

• TiDB（大规模存储，快速检索，复杂查询，MySQL 生态）

• PostgreSQL w/ pipelineDb/timescaleDb/*_fdw（流处理，监控数据处理，复杂查询，跨源访问，Pg 生态）

• ElasticSearch w/ ELK（日志数据处理，模糊查询）

• 等等

总线连通的做法还有几个相关的问题需要考虑：

• 被连接的各存储组件，需要具备流式入库和 CDC（Change Data Capture）能力。（MySQL、Pg、TiDB、ES 具备这方面能力，Hive 这边，我们开发了流式入库的能力，同时支持了修改 / 删除。）

• 统一的数据交换格式以及版本迭代

• 归档删除，热存储组件删除历史数据时，全量仓库那边不能删除。（我们通过约定删除机制解决了这个问题。）

如上，针对分析挖掘、线上查询、批处理、流处理等应用场景，我们并没有独立的基础架构。但我愿顺着这个思路展开，看看针对不同业务 / 场景提供的解决方案：

分析架构

面向数据分析和风控人员

Hive 和 Pg 是主力，

• Hive w/ spark 我们做了些优化后，性能还不错，日常大作业和交互查询都在上面

• 对于精确小查询，又碰上 Hadoop 资源吃紧，我们建议走 TiDB

• 中间表和输出结果放 Pg，是对外报表的主要后端

• 借助 pipelineDb 及其他辅助插件，中间表可以在 Pg 实时生成，并按需同步到其他地方

线上架构

面向线上业务系统

TiDB 是主力，

• 历史 / 全量查询、跨库查询 以及业务脚本运行都走 TiDB

• 需要同时访问冷热数据的，用 Pg + Mysql_fdw 支持（注：适用于条件明确的查询，条件模糊 / 大查询不适合）

• Pg w/ pipelineDb 用作实时洗数，结果实时同步到需要的地方（计算过程中需要用到线上 MySQL 主库 或 TiDB 数据的，可以自由访问）

流处理架构

既能支撑大规模分布式计算，又兼具 PgSQL 生态优势。

在数据流动的各个环节都可以自由处理，

• Flink 主要用于超大规模数据预处理 以及 CEP 等特殊场景（开发、部署及管理成本要高些）

• Pg w/ pipelineDb 推荐日常使用，Pg 生态，复杂 join、访问外部数据方便

• 借助数据总线 Flink 和 Pg/pipelineDb 可以轻松整合

开放架构

这一部分落实 “无边界”大数据平台的想法

核心组件服务化，

• Kafka 服务化，数据直写 & 消费

• Spark 服务化，计算资源开放

• TiDB、Pg 通过 JDBC 服务化

• ES 通过 Rest 接口服务化

开放架构让大数据平台融入业务系统，同时通过流处理业务逻辑也可以托管在大数据平台上。

说不好 是业务系统选择了大数据平台，还是大数据平台融化了业务系统。用一个词描述可能更合适，那就是 “平台化”。

案例 - 运营策略优化

这是公司客户关系管理委员会提出的一个项目，其基本想法是，根据不同地方持续收集的用户及行为数据，进行客群细分（营销阶段、用户意愿等），据此作出营销决策（流转，手段等），执行 / 反馈，并不断作出评价和改进。

营销决策由 CRM 系统负责，客群细分在大数据平台上进行。

落实方式其实是用户画像，分为相对稳定部分和实时变化部分。数据分析团队负责稳定部分的用户标签，通过每日的全量脚本作业在 Hive 上运行实现；大数据团队负责实时部分的用户生命周期、导流状态等，在 Pg/pipelineDb 上开发实现。两份数据最终同步到 ES，在那里合并后等待 CRM 系统使用。

为了更好的适应用户操作及系统事件，还同时做了用户事件处理，对不同来源的相关数据做出处理后生成用户事件，实时推送给 CRM 系统。事件处理在 Pg/pipelineDb 里进行，生成结果通过 Kafka-rest http API 提供给 CRM 系统实时消费。

基础数据架构

前面讲述的各个架构有一个共同点，那就是都跟业务数据有关。这个不太一样，它是关于基础数据的。

何谓基础数据，指的是非业务逻辑产生的日志、监控、链路追踪这些基础设施和运行时系统自身的数据。而作为业务的基础数据，则包括采集、可靠传输、存储、融合，以及基于这些数据的衍生系统和业务。

基础数据架构要点如下，

• 采集端，整合日志、监控、tracing SDK（融合，traceId 嵌入日志）

• 传输网络，为日志、监控、tracing 数据提供统一传输（缓存，数据加工，智能路由 等）

• 总线 & 入库，为大规模实时数据分析提供便利

• 存储体系，ES 支持日志分析，Pg w/ timescaleDb 支持监控数据分析（扩展的 Pg SQL 语法 & 函数，可自由关联外部数据）

• 监控 & 配置管理（基础数据体系本身也需要监控，并且需要集中的配置管理）

业务数据 + 基础数据，交叉融合，是我构想的双剑合璧、数据大融合。关于基础数据的应用我有很多构想，这里不作展开。

写在最后

存储、计算、融合、治理。

存储、计算一般可通过选择避免研发，但融合、治理还是得自己操心。

上述描述很好的解决了数据融合问题，但对数据治理没怎么触及。

我们目前对数据治理作的直接研发不多，但已经做了很好的铺垫了。

数据治理的核心数据血缘方案一个常见的思路，是四处搜集 / 提取数据集、数据转换相关的元数据信息，把他们拼接、呈现出来就是我们期望的数据血缘关系图了。

上述做法很巧妙的把很多数据表定义、数据处理逻辑集中化、文本化了，这种情况下的爬取、分析，比起源码扫描分析、日志扫描分析、数据文件分析等等，要简便了多少？

实际上，由于 kafka connect、mysql、pg、hive、airflow 等已有了还算可以的元数据管理功能，我们目前对专门开发元数据管理系统的需求不是很大。

平台性能方面，日入库 / 处理数据量 3~4 亿条（几十 GB）的样子，迁机房造成大量重生数据时达到过 20 多亿条 / 天，我们在自建机房的物理机总数量 20 台左右。增加资源肯定能提升性能，根据我在前东家网宿处理更大规模数据量的经验，百亿级别的数据量应该不用调整架构。

平台运维方面，我们做了 Schema 自适应调整、自动检查修复、故障隔离、故障重启、监控 / 预警、数据质量报告等，所以，不出意外的话，日常运维还是比较省心的。

以上，建成的大数据基础平台其实是一套穷人的大数据平台，以较低的门槛便捷的满足各种应用场景的需求，并可以随着业务壮大做出调整和优化。愿平台后续的运营者使用愉快！