彻底打通实时数据仓库该如何实现及多种技术架构解析_小言_互联网的博客

彻底打通实时数据仓库该如何实现及多种技术架构解析

2021-01-09 17:32 801人阅读评论(0)

问题导读

1.实时数据仓库有哪些特点？
2.公司构建实时数据仓库有哪些好处？
3.如何构建实时数据仓库？
4.实时数据仓库本文解析了哪些架构？

越来越多的实时数据需求，需要更多的实时数据来做业务决策，例如需要依据销售情况做一个资源位的调整；同时有些活动也需要实时数据来增强与用户的互动。如果数据有实时和离线两种方案，优先考虑实时的，如果实时实现不了再考虑离线的方式。
实时数据仓库，已经被很多公司所接受，而且接触很多About云社区会员，都在筹备搭建实时数据仓库。

1.那么实时数据仓库有哪些特点：

数据实时到达：以更快的速度到达仓库–每秒数百万个事件的流数据不断到达
即席查询：数据可最佳查询所需的时间更快-到达后立即进行查询，无需进行处理、聚合或压缩
查询速度更快：查询运行的速度更快–小型选择性查询以10或100毫秒为单位进行衡量；大型、扫描或计算繁重的查询以很高的带宽处理
数据更改效率高：必要时，数据变化的很快-如果由于某种原因需要校正或更新数据，则无需大量重写即可就地完成

2.公司构建实时数据仓库有哪些好处？
实时数据仓库使用者，如运营，管理层，或者老板，可以实时看到检测数据，那么实时看到检测数据，这样方便多了：
以外卖场景为例：
（1）做了营销活动，那么当前活动效果如何，如果不好，是否可以及时的补救。
（2）上线了新业务，那么新业务大家是否喜欢，根据用户的实时检测和反馈，对于新业务也可以随时调整
（3）对于订单、商家、配送如出现异常，亦可实时发现和处理
（4）对于下单的用户，亦可以根据用户喜好，实时推荐。

通过以上，面对企业想法的验证、业务异常的检测、用户的爱好推荐，我们都可以实时处理，而不是问题出现或则业务异常，导致第二天才能处理或则认识到。实时数据仓库可以让企业更高效运行。如果说离线数据仓库支持公司运营战略决策，那么实时则支持公司战略和战术决策。

3.如何构建实时数据仓库：
其实如果我们对数据仓库不了解，或者只做过离线数据仓库，可能有这么一个问题？
离线和实时他们是各自独立的，还是有关联的。从效率的角度来说，企业都不会让它们独立分开。对于实时的数据，最后还是会流入数据仓库。

如果这里不明白，我们需要进一步的说明，对于实时数据仓库来说，大多数使用的技术架构为Flink流式处理，Kafka做为存储。我们知道kafka一般是用作缓存的，数据一般都是有有效期的。所以实时数据仓库在某个阶段，数据可以设计流向离线数据仓库。

这里面如果我们真正想构建实时数据仓库，可能还有以下问题？

1.kafka作为数据仓库，它需要分层吗？该如何分层
Kafka分层是以topic来分的，表对应topic，例如形式如下：

也就是通过上面形式，我们就已经实现了kafka作为实时数据仓库。

2.如何操作Topic
我们知道Topic里面其实都是消息，如果我们想让里面的消息整合，该如何操作。这时候我们就用到了Flink Sql，Flink Sql读取Topic，然后进行各种数据操作，比如Join等。

上面我们打通了实时数据仓库存储问题，以及数据该如何操作的问题，那么具体该如何根据我们的业务来构建数据仓库？
其实我们只要理解了实时数据仓库，那么实现的方式和思路也是多种多样的，一般来说实时数仓整体框架依据数据的流向分为不同的层次，接入层会依据各种数据接入工具收集各个业务系统的数据，如埋点的业务数据或者业务后台的并购放到【kakfa】消息队列里面。消息队列的数据既是离线数仓的原始数据，也是实时计算的原始数据，这样可以保证实时和离线的原始数据是统一的。

有了源数据，在计算层经过Flink+实时计算引擎做一些加工处理，然后落地到存储层中不同存储介质当中。不同的存储介质是依据不同的应用场景来选择。框架中还有Flink和Kafka的交互，在数据上进行一个分层设计，计算引擎从Kafka中捞取数据做一些加工然后放回Kafka，这里放回的数据则可能其它分层数据。

在存储层加工好的数据会通过服务层（DWS或者DM）的两个服务：统一查询、指标管理，统一查询是通过业务方调取数据接口的一个服务，指标管理是对数据指标的定义和管理工作。通过服务层应用到不同的数据应用，数据应用可能是我们的正式产品或者直接的业务系统。

如对上面分层、数据仓库不了解，可参考下面内容
数据仓库详解：包括概念、架构及设计
https://www.aboutyun.com/forum.php?mod=viewthread&tid=21425

大数据项目之电商数仓（用户行为数据采集）（一）等系列文章。
https://www.aboutyun.com/forum.php?mod=viewthread&tid=29839

4.技术架构解析：
上面如果对数据仓库不是很了解，可能看的会比较模糊，我们继续更进一步阐述，实时数据仓库和离线数据仓库区别其实是在时间上，实时数据仓库仓库无论是采集，还是计算，都比较及时。那么具体该如何实现？比如在采集方面：可以使用一些实时采集框架canal、maxwell、EPX，为了更好的对比，那么如果离线采集，可能的插件比如Sqoop,Sqoop底层使用的是MapReduce.在计算框架方面，离线可以使用Hive，实时目前大多使用Flink。

我们在实际构建数据仓库的时候，可能面临下面问题
1.流程不清晰
2.技术选型不清晰

下面我们看几个技术架构，帮助我们选择更合适我们从纯技术角度来解析架构。

实时架构1解析：

我们看到User Log、Server Log通过日志采集工具进入kafka，kafka数据分别进入，Hive和Kafka。
我们看到Hive和Kafka都进行了分层，也就是说，Hive是离线数据库，Kafka则是实时数据仓库。

HIve分层：这里需要说明的是分层其实本质每层都有对应的表。

STG：存放的是从异构的源系统集成过来数据。
ODS：最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的ETL之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。
DW：Data warehouse，数据仓库层。在这里，从ODS层中获得的数据按照主题建立各种数据模型。
RPT：是面向报表层的，包括报表查询用到的汇总表（某些查询维度较少时可以用）、明细表。
DIM：公共维度汇总层（DIM）基于维度建模理念，建立整个企业的一致性维度。

我们看到DW层和DIM层定时更新到Hbase/Redis中。

Kafka实时数据仓库：
我们看到ODS，DWD，DWS它们分别为：
DWD：数据仓库明细层(Data Warehouse Detail, DWD)
DWS：数据仓库汇总层(Data Warehouse Summery,)是数据平台的主体内容。这两个层的数据是ODS层数据经过ETL清洗、转换、加载生成的。当然大多数是把表加宽，利于分析和统计。

我们看到DWD、DWS进入ClickHouse/Doris，这里也就是我们所说的OLAP。

实时架构2解析：

此为oppo的实时数据仓库。数据仓库采用NiFi 搜集日志，然后进入Kafka，这里原始表，应该就是ODS层，然后通过Flink ETL清洗加工等，又流入Kafka作为DWD层，这里可以即席查询，也即OLAP。Kafka明细层汇总即数据仓库的DM（ADS）层，DM层作为报表分析，用户画像、接口服务等数据源。
关于NiFi 可参考
https://www.aboutyun.com/blog-61-4370.html

实时架构3解析：

我们看此技术架构，与oppo图差异很大，但是内容基本差不多，只不过DM层替换为Hbase.这里值得注意的地方，有DIM维度层，可以与其它层数据Join。

实时架构4解析：

此架构离线和实时数据仓库分离，实时数据仓库使用Flink,离线数据仓库使用的是Hive/Spark。
整个流程中，在采集日志中：
实时数据仓库使用Flume和Canal
离线数据仓库使用Flume和Sqoop

存储：
实时数据仓库存储使用Kakfa
离线数据仓库存储使用Hive

分层：
实时数据仓库：ODS和DIM Join，形成宽表然后进入Kafka，形成DWD层，然后DWD进一步处理进入DWS层。
离线数据仓库：存储先进入HDFS，然后进入Hive，这里流程和实时数据仓库一样，打宽表然后形成分层等。

实时架构5解析：

这是离线和实时一体数据仓库，我们不少成员在创建实时数据仓库的时候，可能有这么一个疑问，如果数据存在Kafka，那这些数据如果过期了，该如何处理？
其实这些数据每个公司根据自己的情况，如上Kafka DWD层数据，流入离线数据仓库Hive，然后进一步处理。

上面整个流程，我们看到采集日志使用的是Flume和CDC，采集后进入实时数据仓库Kafka，然后ODS层和DIM层打宽表为DWD，DWD处理的数据分别进入离线数据仓库Hive以及Kafka的DWS层，这两条线下面相信就不用在细说了。最后DWS层为OLAP提供数据。

5.总结
从上面我们看出，无论是实时数据仓库还是离线数据仓库，数据库分层都是差不多的，关于分几层，需要根据我们的实际情况，一般来说是四到五层，京东是九层。分层的作用很多，我们认为其中每层复用和节省时间提高效率，分层起着很大的作用。

关于技术架构，其实如果上面我们都读懂了，技术架构已经不是问题。该选哪个，不该选哪个，需要考虑我们的场景、团队的知识储备等。

以上如有问题，欢迎交流。可加微信w3aboutyun，加入技术交流群。