海量数据！秒级分析！Flink+Doris 构建实时数仓方案

作者：领创集团Advance Intelligence Group

2022 年 6 月 27 日
本文字数：4295 字
阅读完需：约 14 分钟

一、背景

随着业务的快速发展，为满足十亿级数据量的实时报表统计与决策分析，我们选择了 Flink + Doris 的实时数仓方案。

二、Doris 基本原理

Doris 基本架构非常简单，只有 FE(Frontend)、BE(Backend)两种角色，不依赖任何外部组件，对部署和运维非常友好。架构图如下

FE（Frontend）以 Java 语言为主。

主要功能职责：

1）接收用户连接请求（MySql 协议层）

2）元数据存储与管理

3）查询语句的解析与执行计划下发

4）集群管控

FE 主要有有两种角色，一个是 follower，还有一个 observer，leader 是经过选举推选出的特殊 follower。follower 主要是用来达到元数据的高可用，保证单节点宕机的情况下，元数据能够实时地在线恢复，而不影响整个服务。

BE（Backend）以 C++ 语言为主。

主要功能职责：

1）数据存储与管理

2）查询计划的执行

三、技术框架

整体数据链路如下图

1. 通过 FlinkCDC 采集 Mysql Binlog 到 Kafka 中的 Topic1

2. 开发 Flink 任务消费上述 Binlog 生成相关主题的宽表，写入 Topic2

3. 配置 Doris Routine Load 任务，将 Topic2 的数据导入 Doris

四、实践

关于步骤 1 和步骤 2 的实践，在前文 “基于 Flink-CDC 数据同步⽅案” 的文章中已有说明，本文将对步骤 3 展开详细的说明。

4.1 建表

因业务数据经常伴随有 UPDATE，DELETE 等操作，为了保持实时数仓的数据粒度与业务库一致，所以选择 Doris Unique 模型（数据模型在下文有重点介绍）具体建表语句如下

CREATE TABLE IF NOT EXISTS table_1(key1 varchar(32),key2 varchar(32),key3 varchar(32),value1 int,value2 varchar(128),value3 Decimal(20, 6),data_deal_datetime DateTime COMMENT '数据处理时间',data_status INT COMMENT '数据是否删除，1表示正常，-1表示数据已经删除') ENGINE=OLAPUNIQUE KEY(`key1`,`key2`,`key3`)COMMENT "xxx"DISTRIBUTED BY HASH(`key2`) BUCKETS 32PROPERTIES (    "storage_type"="column",    "replication_num" = "3",    "function_column.sequence_type" = 'DateTime');

复制代码

可以看到，表结构中有两个字段分别是 data_deal_datetime，data_status。

data_deal_datetime 主要是相同 key 情况下数据覆盖的判断依据

data_status 用来兼容业务库对数据的删除操作

4.2 数据导入任务

Doris 提供了主动拉取 Kafka 数据的功能，配置如下

CREATE ROUTINE LOAD database.table1 ON table1COLUMNS(key1,key2,key3,value1,value2,value3,data_deal_datetime,data_status),ORDER BY data_deal_datetimePROPERTIES("desired_concurrent_number"="3","max_batch_interval" = "10","max_batch_rows" = "500000","max_batch_size" = "209715200","format" = "json","json_root" = "$.data","jsonpaths"="[\"$.key1\",\"$.key2\",\"$.key3\",\"$.value1\",\"$.value2\",            \"$.value3\",\"$.data_deal_datetime\",\"$.data_status\"]")FROM KAFKA("kafka_broker_list"="broker1_ip:port1,broker2_ip:port2,broker3_ip:port3","kafka_topic"="topic_name","property.group.id"="group_id","property.kafka_default_offsets"="OFFSET_BEGINNING");

复制代码

导入语句中，

ORDER BY data_deal_datetime 表示根据 data_deal_datetime 字段去覆盖 key 相同的数据

desired_concurrent_number 表示期望的并发度。

max_batch_interval/max_batch_rows/max_batch_size 这三个参数分别表示

1）每个子任务最大执行时间。

2）每个子任务最多读取的行数。

3）每个子任务最多读取的字节数。

4.3 任务监控与报警

Doris routine load 如果遇到脏数据会导致任务暂停，所以需要定时监控数据导入任务的状态并且自动恢复失败任务。并且将错误信息发至指定的 lark 群。具体脚本如下

import pymysql  #导入 pymysqlimport requests,json

#打开数据库连接db= pymysql.connect(host="host",user="user",                    password="passwd",db="database",port=port)
# 使用cursor()方法获取操作游标cur = db.cursor()
#1.查询操作# 编写sql 查询语句 sql = "show routine load"cur.execute(sql)        #执行sql语句results = cur.fetchall()        #获取查询的所有记录for row in results :    name = row[1]    state = row[7]    if state != 'RUNNING':        err_log_urls = row[16]        reason_state_changed = row[15]        msg = "doris 数据导入任务异常:\n name=%s \n state=%s \n reason_state_changed=%s \n err_log_urls=%s \n即将自动恢复，请检查错误信息" % (name, state,reason_state_changed, err_log_urls)        payload_message = {    "msg_type": "text",    "content": {        "text": msg    }}        url = 'lark 报警url'        s = json.dumps(payload_message)        r = requests.post(url, data=s)        cur.execute("resume routine load for " + name)
cur.close()db.close()

复制代码

现在线上配置的监控 1 分钟执行一次，如果遇到任务暂停，会自动恢复导入任务，但是导致任务失败的脏数据会跳过，此时需要人工排查失败原因，修复后重新触发该条数据的导入。

4.4 数据模型

Doris 内部表中，主要有 3 种数据模型，分别是 Aggregate ，Unique ，Duplicate

在介绍数据模型之前，先解释一下 Column，在 Doris 中，Column 可以分为两大类：Key 和 Value。从业务角度看，Key 和 Value 分别对应维度列和指标列。

4.4.1Aggregate 模型

简单来说，Aggregate 模型就是预聚合模型，类似于 Molap，通过提前定义 key 列及 value 列的聚合方式，在数据导入的时候已经将 key 列相同的数据按照 value 列的聚合方式聚合在一起，即最终表里 key 相同的数据只保留一条，value 按照相应的规则计算。下面举例说明。

表结构如下：

CREATE TABLE tmp_table_1    (        user_id varchar(64) COMMENT "用户id",        channel varchar(64) COMMENT "用户来源渠道",        city_code varchar(64) COMMENT "用户所在城市编码",        last_visit_date DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",        total_cost BIGINT SUM DEFAULT "0" COMMENT "用户总消费"    )ENGINE=OLAPAGGREGATE KEY(user_id, channel, city_code)DISTRIBUTED BY HASH(user_id) BUCKETS 6    PROPERTIES("storage_type"="column","replication_num" = "1");

复制代码

表结构中，key 列分别是 user_id, channel, city_code ，value 列是 last_visit_date，total_cost，他们的聚合方式分别为 REPLACE，SUM。

现在，向该表中插入一批数据

insert into tmp_table_1 values('suh_001','JD','001','2022-01-01 00:00:01','57');insert into tmp_table_1 values('suh_001','JD','001','2022-02-01 00:00:01','76');insert into tmp_table_1 values('suh_001','JD','001','2022-03-01 00:00:01','107');

复制代码

按照我们的理解，现在 tmp_table_1 中虽然我们插入了 3 条数据，但是这三条数据的 key 都是一致的，那么最终表中应该只有一条数据，并且 last_visit_date 的值应为"2022-03-01 00:00:01"，total_cost 的值应为 240。下面我们验证一下

可以看到，结果与我们预期⼀致。

4.4.2Unique 模型

正如本次建设的实时数仓那样，我们更加关注的是如何保证主键的唯⼀性，即如何获得 Primary Key 唯⼀性约束。⼤家可以参考上⾯4.1 建表的例⼦，在这⾥不再举例说明。

4.4.3Duplicate 模型

在某些多维分析场景下，数据既没有主键，也没有聚合需求。因此引⼊ Duplicate 数据模型来满⾜这类需求。举例说明。

表结构如下

CREATE TABLE tmp_table_2    (        user_id varchar(64) COMMENT "用户id",        channel varchar(64) COMMENT "用户来源渠道",        city_code varchar(64) COMMENT "用户所在城市编码",        visit_date DATETIME COMMENT "用户登陆时间",cost BIGINT COMMENT "用户消费金额"    )ENGINE=OLAPDUPLICATE KEY(user_id, channel, city_code)DISTRIBUTED BY HASH(user_id) BUCKETS 6    PROPERTIES("storage_type"="column","replication_num" = "1");

复制代码

插入数据

insert into tmp_table_2 values('suh_001','JD','001','2022-01-01 00:00:01','57');insert into tmp_table_2 values('suh_001','JD','001','2022-02-01 00:00:01','76');insert into tmp_table_2 values('suh_001','JD','001','2022-03-01 00:00:01','107');

复制代码

因为此时数据是 Duplicate 模型，因此不会进行任何处理，查询应该能查到 3 条数据

4.4.4 数据模型的选择建议

因为数据模型在建表时就已经确定，且无法修改。所以，选择一个合适的数据模型非常重要。

Aggregate 模型可以通过预聚合，极大地降低聚合查询时所需扫描的数据量和查询的计算量，非常适合有固定模式的报表类查询场景。但是该模型对 count(*) 查询很不友好。同时因为固定了 Value 列上的聚合方式，在进行其他类型的聚合查询时，需要考虑语意正确性。

Unique 模型针对需要唯一主键约束的场景，可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势。

Duplicate 适合任意维度的 Ad-hoc 查询。虽然同样无法利用预聚合的特性，但是不受聚合模型的约束，可以发挥列存模型的优势。

五、总结

Flink + Doris 构建的实时数仓上线后，报表接口相应速度得到了明显提高，单表 10 亿级聚合查询响应速度 TP95 为 0.79 秒，TP99 为 5.03 秒。

到目前为止，整套数仓体系已平稳运行 8 个多月。

六、参考资料

https://doris.apache.org/

关于领创集团（Advance Intelligence Group）

领创集团成立于 2016 年，致力于通过科技创新的本地化应用，改造和重塑金融和零售行业，以多元化的业务布局打造一个服务于消费者、企业和商户的生态圈。集团旗下包含企业业务和消费者业务两大板块，企业业务包含 ADVANCE.AI 和 Ginee，分别为银行、金融、金融科技、零售和电商行业客户提供基于 AI 技术的数字身份验证、风险管理产品和全渠道电商服务解决方案；消费者业务 Atome Financial 包括亚洲领先的先享后付平台 Atome 和数字金融服务。2021 年 9 月，领创集团宣布完成超 4 亿美元 D 轮融资，融资完成后领创集团估值已超 20 亿美元，成为新加坡最大的独立科技创业公司之一。