如何構建新一代實時湖倉?袋鼠雲基於數據湖的探索升級之路

来源:https://www.cnblogs.com/DTinsight/archive/2023/11/10/17823793.html
-Advertisement-
Play Games

在之前的實時湖倉系列文章中,我們已經介紹了實時湖倉對於當前企業數字化轉型的重要性,實時湖倉的功能架構設計,以及實時計算和數據湖結合的應用場景。 在本篇文章中,將介紹袋鼠雲數棧在構建實時湖倉系統上的探索與落地實踐,及未來規劃。 數棧為什麼選擇實時湖倉 數棧作為一個數據開發平臺,在未引入實時湖倉之前提供 ...


在之前的實時湖倉系列文章中,我們已經介紹了實時湖倉對於當前企業數字化轉型的重要性,實時湖倉的功能架構設計,以及實時計算和數據湖結合的應用場景。

在本篇文章中,將介紹袋鼠雲數棧在構建實時湖倉系統上的探索與落地實踐,及未來規劃。

數棧為什麼選擇實時湖倉

數棧作為一個數據開發平臺,在未引入實時湖倉之前提供的是基於 Lambda 架構的開發模式,分了實時和離線兩條鏈路,這種開發模式帶來的問題在於:

· 複雜性高,需要維護流批雙鏈路的不同組件

· 存儲成本高,流批兩個鏈路維護兩份相同的數據

· 實時鏈路不可查,Kafka 中間數據查詢困難,不支持隨機查詢,只支持順序查詢

· 數據口徑一致性差,不同計算引擎難保證統一的數據口徑

file

而實時湖倉則能夠節省存儲成本,極大地提升開發效率,並更快更好地挖掘數據價值。

· 提供了多樣化的分析能力,不限於批處理、流處理,在互動式查詢和機器學習方面都很友好

· 提供了 ACID 事物能力,可以更好的保障數據質量,並提供增刪改查等功能,傳統數倉則缺乏這一能力

· 提供了完善的數據管理能力,包括數據格式、數據 Schema 等

· 提供了存儲介質可擴展的能力,支持 HDFS、對象存儲、雲上存儲

數棧基於實時湖倉的實踐

下圖便是基於實時湖倉的數棧解決方案結構圖:

file

業務庫中的數據我們通過自研的數據集成框架 ChunJun 進行實時採集和入湖,目前支持 Iceberg/Hudi 實時入湖。之後在數棧實時開發平臺和離線開發平臺中進行業務的開發,Flink 和 Spark 支持對接 Iceberg/Hudi,以及 Iceberg/Hudi source 指標展示。再通過 EasyLake 湖倉一體平臺進行數據管理,如一鍵轉表、湖表治理等。

基於此,實時湖倉很好地解決了上文提到的 Lambda 架構開發模式帶來的痛點問題。實現了存儲層和計算層的流批一體,實時鏈路中間數據可查,統一的數據口徑,低成本存儲,為企業帶來更快、更靈活、更高效的數據處理體驗,這就是數棧原則實時湖倉的原因。

下文將為大家重點帶來實時入湖以及物化視圖的介紹。

CDC 實時入湖

Flink CDC 是基於資料庫日誌的 CDC 技術,實現了全增量一體化讀取的數據集成框架。配合 Flink 優秀的管道能力和豐富的上下游生態,Flink CDC 可以高效實現海量數據的實時集成。不過 CDC 數據實時入湖也面臨著不小的挑戰:

· 實時性高:CDC 數據對實時性要求高,數據新鮮度越高,往往業務價值越高

· 歷史數據量大:資料庫的歷史數據規模大

· 強一致性:數據處理必須要保證有序性而且結果需要一致性

· Schema 動態演進:資料庫對應的 Schema 會隨著業務不斷變更

那麼,數棧是怎麼做的呢?

file

袋鼠雲自研的數據集成框架 ChunJun 支持 CDC 數據的採集,包括 MySQL CDC、Oracle CDC、PG CDC、SQLServer CDC。CDC 數據採集完之後,寫到 Iceberg/Hudi Sink 中,完成實時入湖的工作。

這樣下來的整條鏈路和架構都是袋鼠雲自主研發、完全可控的,並且實現了全增量一體化、分鐘級時延,對業務穩定性也不會造成任何影響。

ChunJun:https://github.com/DTStack/chunjun.git

實時入湖落地中的問題

在實時入湖落地的過程中,我們當然也遇到過問題和挑戰:

· 小文件問題:小文件影響讀寫效率,導致 HDFS 集群穩定性變差

· Hudi 適配 Flink1.12:客戶群體使用的 Flink 版本大多還停留在1.12

· 跨集群入湖:多套 Hadoop 集群的場景下存在跨集群的需求

數棧又是如何個個突破這些問題的呢?

● 小文件問題優化

· 合理設置 Checkpoint Interval

整個 Compaction 過程是一個 I/O 比較多的操作過程,假設一味的調小 Checkpoint Interval,會產生諸如小文件問題、導致 HDFS 壓力變大、checkpoint 失敗、任務不穩定等一系列問題。

在經過多方實踐驗證後,推薦將 Checkpoint Interval 設置為 1-5 分鐘為優。

· 平臺化小文件治理

調整 Checkpoint,能夠緩解小文件的產生,之後還要進行平臺化的小文件治理,從根本上解決問題。

EasyLake 湖表治理功能支持數據文件治理,支持快照文件治理,支持 Hudi MOR 增量文件合併,將小文件數量控制在一定的範圍內,提升治理效率。

file

● Hudi 適配 Flink 1.12 版本做法

數棧在這方面並不是一張白紙,首先我們基於 hudi-flink1.13.x 模塊開發 hudi-flink1.12,將 Flink 版本修改成1.12.7,再針對不相容的點逐個進行修複,最後進行完整的功能測試即完成了適配的工作。

file

· 跨集群入湖方案

Hudi 和 Iceberg Sink 預設從 HADOOP_CONF_DIR 環境變數獲取 core-site.xml 和 hdfs-site.xml 訪問對應的 HDFS。

數棧基於自研的 ChunJun,在 ChunJun iceberg-connector 和 hudi-connector 中對 hadoop conf dir 的獲取方式進行擴展,支持通過指定 hadoopConfig 自定義參數的方式。

如此便能夠使集群之間的數據流動起來,打破數據孤島,完成跨集群入湖的支持。

file

ETL 加速探索-物化視圖

在介紹數棧在物化視圖方面的探索之前,必須先理清楚我們為什麼需要物化視圖?

在實時湖倉中包含三類任務,實時 ETL、離線 ETL 和 OLAP,以上三類任務在 ODS -> ADS 的加工過程中,都會出現聚合操作越來越多,IO 越來越密集,多個任務 SQL 中具有相同邏輯的 SQL 片段等現象。

物化視圖可以將表連接或者聚合等耗時較多的結果進行預計算並將計算結果保存下來,在對複雜 SQL 進行查詢的時候,直接基於上一步預計算的結果進行計算,從而避免耗時的操作,更快的得到結果。

而在實時湖倉中基於數據湖構建的物化視圖可實現流、批和 OLAP 任務之間的共用,從而進一步降低實時數據湖中數據在整條鏈路中的延時。為實時加工鏈路加速,並節省計算成本,提高查詢性能和響應速度。

● 實時湖倉中落地物化視圖需要完成的內容

· 平臺化數據湖物化視圖管理

· Spark 支持基於數據湖表格式管理物化視圖

· Trino 支持基於數據湖表格式管理物化視圖

· Flink 支持基於數據湖表格式管理物化視圖

目前數棧實時湖倉已經完成了 Spark 和 Trino 的部分,之後也會將這四部分內容都完成落地,充分發揮物化視圖的作用。

● 物化視圖實現原理

file
· 創建物化視圖語法

CREATE MATERIALIZED VIEW (IF NOT EXISTS)? multipartIdentifier
          ('(' colTypeList ')')? tableProvider?
          ((OPTIONS options=tablePropertyList) |
           (PARTITIONED BY partitioning=partitionFieldList) |
           skewSpec |
           bucketSpec |
           rowFormat |
           createFileFormat |
           locationSpec |
           commentSpec |
           (TBLPROPERTIES tableProps=tablePropertyList))*
          AS query  

· 示例

CREATE MATERIALIZED VIEW mv
AS SELECT
  a.id, 
  a.name 
FROM jinyu_base a 
JOIN jinyu_base_partition b 
ON a.id = b.id;

未來規劃

袋鼠雲基於實時湖倉的實踐之路遠不止於此,未來還將進行更多、更深層次的探索,為企業提供更高效、更靈活、更智能的數據處理解決方案。

· 易用性:增加平臺湖表管理的易用性

· 引入 Paimon:平臺支持對接 Paimon、增加基於 Paimon 的湖倉一體建設

· 提升入湖性能:深入並增強內核,提升入湖的的性能

· 安全性探索:實時湖倉提供數據共用、支持多引擎,探索實時湖倉的安全管理方案

本文根據《實時湖倉實踐五講第三期》直播內容總結而來,感興趣的朋友們可點擊鏈接觀看直播回放視頻及免費獲取直播課件。

直播課件:

https://www.dtstack.com/resources/1054?src=szsm

直播視頻:

https://www.bilibili.com/video/BV1Ee411d7Py/?spm_id_from=333.999.0.0&

《數棧產品白皮書》:https://www.dtstack.com/resources/1004?src=szsm

《數據治理行業實踐白皮書》下載地址:https://www.dtstack.com/resources/1001?src=szsm

想瞭解或咨詢更多有關袋鼠雲大數據產品、行業解決方案、客戶案例的朋友,瀏覽袋鼠雲官網:https://www.dtstack.com/?src=szbky

同時,歡迎對大數據開源項目有興趣的同學加入「袋鼠雲開源框架釘釘技術qun」,交流最新開源技術信息,qun號碼:30537511,項目地址:https://github.com/DTStack


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 分散式的思想在大量的數據處理操作方案中涌現了很多的解決方式。Java 是 90 年代出現的語言,在嵌入式移動領域和 web 系統 PC 端占據著較大的市場。移動安卓以及現在的企業H5 小程式,在企業的數字化轉型中起著十分重要的作用。 分散式微服務實現的框架是在 2017 年 springboot 開 ...
  • 常用的包 import torch import torchvision from torch import nn from torch.utils.data import DataLoader from torch.nn import Conv2d, MaxPool2d, Flatten, Lin ...
  • 在使用事務的時候需要添加@EnableTransactionManagement註解來開啟事務,Spring事務底層是通過AOP來實現的,所以啟用事務後,同樣會向容器中註入一個代理對象創建器,AOP使用的是AnnotationAwareAspectJAutoProxyCreator,事務使用的是In ...
  • 前言: 繼上篇:Taurus .Net Core 微服務開源框架:Admin 插件【4-3】 - 配置管理 - Mvc【Plugin-MicroService 微服務】 本篇繼續介紹下一個內容: 系統配置節點:Mvc - Plugin - CORS 跨域界面: 界面如下: 跨域功能相關配置說明如下: ...
  • 目錄 Welcome to YARP - 1.認識YARP並搭建反向代理服務 Welcome to YARP - 2.配置功能 2.1 - 配置文件(Configuration Files) 2.2 - 配置提供者(Configuration Providers) 2.3 - 配置過濾器(Confi ...
  • 前言 由於業務需要,需要多台雲伺服器,但是公有雲的帶寬價格不菲,所以不可能給所有的雲伺服器都配上公網IP,一方面是成本的問題,另一方面也是公網安全的問題。 所以通過其它的方式使用無公網的雲伺服器來來實現對外資源的訪問。 一、操作步驟 至少需要有一臺具有公網IP的雲伺服器! 1、開啟ECS的路由轉發功 ...
  • 近幾年IT界軟硬體“國產化”搞得很密集,給很多公司帶來了商機。但是有些公司拿國外的代碼改改換個皮膚,就是“自主知識產權”的國產軟體,光明正大賣錢,這個有點...,還經常有醜聞露出,譬如某星瀏覽器、C某-IDE... 話不多說,最近有個項目需要國產化改造,業主方推薦了國產資料庫 瀚高資料庫,我們原來用 ...
  • 本文分享自華為雲社區《淺析KV存儲之長尾時延問題,華為雲 GeminiDB Redis 探尋行業更優解決方案!》,作者:華為雲資料庫GaussDB NoSQL團隊。 目前,KV存儲的廣泛使用極大程度上源於快速訪問的業務需求,而這種業務通常對時延敏感度高,在較好的平均性能下,還需要解決特定場景下的性能 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...