想進(jìn)阿里騰訊先來看看大數(shù)據(jù)平臺之架構(gòu)漫談

架構(gòu)就像是一場進(jìn)化史，根據(jù)不同時期的需求，演變出不同的架構(gòu)，車輪滾滾，到今天，移動端框架百花齊放，讓人目不暇接。但是其中的本質(zhì)是磨滅不了的，換言之根本沒有磨滅而是隱藏到了人們所看不到的地方，但是依舊發(fā)揮著不可或缺的作用。

先大概列一下互聯(lián)網(wǎng)行業(yè)數(shù)據(jù)倉庫、數(shù)據(jù)平臺的用途：

上面列出的內(nèi)容看上去和傳統(tǒng)行業(yè)數(shù)據(jù)倉庫用途差不多，并且都要求數(shù)據(jù)倉庫/數(shù)據(jù)平臺有很好的穩(wěn)定性、可靠性；但在互聯(lián)網(wǎng)行業(yè)，除了數(shù)據(jù)量大之外，越來越多的業(yè)務(wù)要求時效性，甚至很多是要求實(shí)時的。

另外，互聯(lián)網(wǎng)行業(yè)的業(yè)務(wù)變化非常快，不可能像傳統(tǒng)行業(yè)一樣，可以使用自頂向下的方法建立數(shù)據(jù)倉庫，一勞永逸，它要求新的業(yè)務(wù)很快能融入數(shù)據(jù)倉庫中來，老的下線的業(yè)務(wù)，能很方便的從現(xiàn)有的數(shù)據(jù)倉庫中下線；

其實(shí)，互聯(lián)網(wǎng)行業(yè)的數(shù)據(jù)倉庫就是所謂的靈敏數(shù)據(jù)倉庫，不但要求能快速的響應(yīng)數(shù)據(jù)，也要求能快速的響應(yīng)業(yè)務(wù)；

建設(shè)靈敏數(shù)據(jù)倉庫，除了對架構(gòu)技術(shù)上的要求之外，還有一個很重要的方面，就是數(shù)據(jù)建模，假如一上來就想著建立一套能兼容所有數(shù)據(jù)和業(yè)務(wù)的數(shù)據(jù)模型，那就又回到傳統(tǒng)數(shù)據(jù)倉庫的建設(shè)上了，很難滿足對業(yè)務(wù)變化的快速響應(yīng)。

應(yīng)對這種情況，一般是先將核心的持久化的業(yè)務(wù)進(jìn)行深度建模（比如：基于網(wǎng)站日志建立的網(wǎng)站統(tǒng)計分析模型和用戶瀏覽軌跡模型；基于公司核心用戶數(shù)據(jù)建立的用戶模型），其它的業(yè)務(wù)一般都采用維度+寬表的方式來建立數(shù)據(jù)模型，這塊是后話。

下面的圖是某公司使用的數(shù)據(jù)平臺架構(gòu)圖，其實(shí)大多公司應(yīng)該都差不多：

邏輯上，一般都有數(shù)據(jù)采集層、數(shù)據(jù)存儲與分析層、數(shù)據(jù)共享層、數(shù)據(jù)應(yīng)用層，可能叫法有所不同，本質(zhì)上的角色都大同小異。

我們從下往上看：

數(shù)據(jù)采集層的任務(wù)就是把數(shù)據(jù)從各種數(shù)據(jù)源中采集和存儲到數(shù)據(jù)存儲上，期間有可能會做一些簡單的清洗。

數(shù)據(jù)源的種類比較多：

作為互聯(lián)網(wǎng)行業(yè)，網(wǎng)站日志占的份額很大，網(wǎng)站日志存儲在多臺網(wǎng)站日志服務(wù)器上，

一般是在每臺網(wǎng)站日志服務(wù)器上部署flumeagent，實(shí)時的收集網(wǎng)站日志并存儲到HDFS上；

業(yè)務(wù)數(shù)據(jù)庫的種類也是多種多樣，有Mysql、Oracle、SqlServer等，這時候，我們迫切的需要一種能從各種數(shù)據(jù)庫中將數(shù)據(jù)同步到HDFS上的工具，Sqoop是一種，但是Sqoop太過繁重，而且不管數(shù)據(jù)量大小，都需要啟動MapReduce來執(zhí)行，而且需要Hadoop集群的每臺機(jī)器都能訪問業(yè)務(wù)數(shù)據(jù)庫；應(yīng)對此場景，淘寶開源的DataX，是一個很好的解決方案，有資源的話，可以基于DataX之上做二次開發(fā)，就能非常好的解決。

當(dāng)然，F(xiàn)lume通過配置與開發(fā)，也可以實(shí)時的從數(shù)據(jù)庫中同步數(shù)據(jù)到HDFS。

有可能一些合作伙伴提供的數(shù)據(jù)，需要通過Ftp/等定時獲取，DataX也可以滿足該需求；

比如一些手工錄入的數(shù)據(jù)，只需要提供一個接口或小程序，即可完成；

毋庸置疑，HDFS是大數(shù)據(jù)環(huán)境下數(shù)據(jù)倉庫/數(shù)據(jù)平臺很完美的數(shù)據(jù)存儲解決方案。

離線數(shù)據(jù)分析與計算，也就是對實(shí)時性要求不高的部分，在筆者看來，Hive還是首當(dāng)其沖的選擇，豐富的數(shù)據(jù)類型、內(nèi)置函數(shù)；壓縮比非常高的ORC文件存儲格式；非常方便的SQL支持，使得Hive在基于結(jié)構(gòu)化數(shù)據(jù)上的統(tǒng)計分析遠(yuǎn)遠(yuǎn)比MapReduce要高效的多，一句SQL可以完成的需求，開發(fā)MR可能需要上百行代碼；

當(dāng)然，使用Hadoop框架自然而然也提供了MapReduce接口，假如真的很樂意開發(fā)Java，或者對SQL不熟，那么也可以使用MapReduce來做分析與計算；

Spark是這兩年非常火的，經(jīng)過實(shí)踐，它的性能的確比MapReduce要好很多，而且和Hive、Yarn結(jié)合的越來越好，因此，必須支持使用Spark和SparkSQL來做分析和計算。因?yàn)橐呀?jīng)有HadoopYarn，使用Spark其實(shí)是非常簡單的，不用單獨(dú)部署Spark集群。

這里的數(shù)據(jù)共享，其實(shí)指的是前面數(shù)據(jù)分析與計算后的結(jié)果存放的地方，其實(shí)就是關(guān)系型數(shù)據(jù)庫和NOSQL數(shù)據(jù)庫；

前面使用Hive、MR、Spark、SparkSQL分析和計算的結(jié)果，還是在HDFS上，但大多業(yè)務(wù)和應(yīng)用不可能直接從HDFS上獲取數(shù)據(jù)，那么就需要一個數(shù)據(jù)共享的地方，使得各業(yè)務(wù)和產(chǎn)品能方便的獲取數(shù)據(jù)；和數(shù)據(jù)采集層到HDFS剛好相反，這里需要一個從HDFS將數(shù)據(jù)同步至其他目標(biāo)數(shù)據(jù)源的工具，同樣，DataX也可以滿足。另外，一些實(shí)時計算的結(jié)果數(shù)據(jù)可能由實(shí)時計算模塊直接寫入數(shù)據(jù)共享。

業(yè)務(wù)產(chǎn)品所使用的數(shù)據(jù)，已經(jīng)存在于數(shù)據(jù)共享層，直接從數(shù)據(jù)共享層訪問即可；

同業(yè)務(wù)產(chǎn)品，報表所使用的數(shù)據(jù)，一般也是已經(jīng)統(tǒng)計匯總好的，存放于數(shù)據(jù)共享層；

即席查詢的用戶有很多，有可能是數(shù)據(jù)開發(fā)人員、網(wǎng)站和產(chǎn)品運(yùn)營人員、數(shù)據(jù)分析人員、甚至是部門老大，他們都有即席查詢數(shù)據(jù)的需求；

這種即席查詢通常是現(xiàn)有的報表和數(shù)據(jù)共享層的數(shù)據(jù)并不能滿足他們的需求，需要從數(shù)據(jù)存儲層直接查詢。

即席查詢一般是通過SQL完成，很大的難度在于響應(yīng)速度上，使用Hive有點(diǎn)慢，可以用SparkSQL，它的響應(yīng)速度較Hive快很多，而且能很好的與Hive兼容。

當(dāng)然，你也可以使用Impala，假如不在乎平臺中再多一個框架的話。

目前，很多的OLAP工具不能很好的支持從HDFS上直接獲取數(shù)據(jù)，都是通過將需要的數(shù)據(jù)同步到關(guān)系型數(shù)據(jù)庫中做OLAP，但假如數(shù)據(jù)量巨大的話，關(guān)系型數(shù)據(jù)庫顯然不行；

這時候，需要做相應(yīng)的開發(fā)，從HDFS或者HBase中獲取數(shù)據(jù)，完成OLAP的功能；比如：根據(jù)用戶在界面上選擇的不定的維度和指標(biāo)，通過開發(fā)接口，從HBase中獲取數(shù)據(jù)來展示。

這種接口有通用的，有定制的。比如：一個從Redis中獲取用戶屬性的接口是通用的，所有的業(yè)務(wù)都可以調(diào)用這個接口來獲取用戶屬性。

現(xiàn)在業(yè)務(wù)對數(shù)據(jù)倉庫實(shí)時性的需求越來越多，比如：實(shí)時的了解網(wǎng)站的整體流量；實(shí)時的獲取一個廣告的曝光和點(diǎn)擊；在海量數(shù)據(jù)下，依靠傳統(tǒng)數(shù)據(jù)庫和傳統(tǒng)實(shí)現(xiàn)方法基本完成不了，需要的是一種分布式的、高吞吐量的、延時低的、高可靠的實(shí)時計算框架；Storm在這塊是比較成熟了，但我選擇SparkStreaming，原因很簡單，不想多引入一個框架到平臺中，另外，SparkStreaming比Storm延時性高那么一點(diǎn)點(diǎn)，那對于我們的需要可以忽略。

我們目前使用SparkStreaming實(shí)現(xiàn)了實(shí)時的網(wǎng)站流量統(tǒng)計、實(shí)時的廣告效果統(tǒng)計兩塊功能。

做法也很簡單，由Flume在前端日志服務(wù)器上收集網(wǎng)站日志和廣告日志，實(shí)時的發(fā)送給SparkStreaming，由SparkStreaming完成統(tǒng)計，將數(shù)據(jù)存儲至Redis，業(yè)務(wù)通過訪問Redis實(shí)時獲取。

在數(shù)據(jù)倉庫/數(shù)據(jù)平臺中，有各種各樣非常多的程序和任務(wù)，比如：數(shù)據(jù)采集任務(wù)、數(shù)據(jù)同步任務(wù)、數(shù)據(jù)分析任務(wù)等；

這些任務(wù)除了定時調(diào)度，還存在非常復(fù)雜的任務(wù)依靠關(guān)系，比如：數(shù)據(jù)分析任務(wù)必須等相應(yīng)的數(shù)據(jù)采集任務(wù)完成后才能開始；數(shù)據(jù)同步任務(wù)需要等數(shù)據(jù)分析任務(wù)完成后才能開始；

這就需要一個非常完善的任務(wù)調(diào)度與監(jiān)控系統(tǒng)，它作為數(shù)據(jù)倉庫/數(shù)據(jù)平臺的中樞，負(fù)責(zé)調(diào)度和監(jiān)控所有任務(wù)的分配與運(yùn)行。

這塊想要做好，非常復(fù)雜，我覺得是且價值小于成本，因此我們暫不考慮這塊。目前只有天天任務(wù)運(yùn)行的元數(shù)據(jù)。

在筆者看來，架構(gòu)，并不是技術(shù)越多越新越好，而是在可以滿足需求的情況下，越簡單越穩(wěn)定越好。目前在我們的數(shù)據(jù)平臺中，開發(fā)更多的是關(guān)注業(yè)務(wù)，而不是技術(shù)，他們把業(yè)務(wù)和需求搞清楚了，基本上只需要做簡單的SQL開發(fā)，然后配置到調(diào)度系統(tǒng)就可以了，假如任務(wù)異常，會收到告警。這樣，可以使更多的資源專注于業(yè)務(wù)之上。