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
  • 在C#中使用SQL Server實現事務的ACID(原子性、一致性、隔離性、持久性)屬性和使用資料庫鎖(悲觀鎖和樂觀鎖)時,你可以通過ADO.NET的SqlConnection和SqlTransaction類來實現。下麵是一些示例和概念說明。 實現ACID事務 ACID屬性是事務處理的四個基本特征, ...
  • 我們在《SqlSugar開發框架》中,Winform界面開發部分往往也用到了自定義的用戶控制項,對應一些特殊的界面或者常用到的一些局部界面內容,我們可以使用自定義的用戶控制項來提高界面的統一性,同時也增強了使用的便利性。如我們Winform界面中用到的分頁控制項、附件顯示內容、以及一些公司、部門、菜單的下... ...
  • 在本篇教程中,我們學習瞭如何在 Taurus.MVC WebMVC 中進行數據綁定操作。我們還學習瞭如何使用 ${屬性名稱} CMS 語法來綁定頁面上的元素與 Model 中的屬性。通過這些步驟,我們成功實現了一個簡單的數據綁定示例。 ...
  • 是在MVVM中用來傳遞消息的一種方式。它是在MVVMLight框架中提供的一個實現了IMessenger介面的類,可以用來在ViewModel之間、ViewModel和View之間傳遞消息。 Send 接受一個泛型參數,表示要發送的消息內容。 Register 方法用於註冊某個對象接收消息。 pub ...
  • 概述:在WPF中,通過EventHandler可實現基礎和高級的UI更新方式。基礎用法涉及在類中定義事件,併在UI中訂閱以執行更新操作。高級用法藉助Dispatcher類,確保在非UI線程上執行操作後,通過UI線程更新界面。這兩種方法提供了靈活而可靠的UI更新機制。 在WPF(Windows Pre ...
  • 概述:本文介紹了在C#程式開發中如何利用自定義擴展方法測量代碼執行時間。通過使用簡單的Action委托,開發者可以輕鬆獲取代碼塊的執行時間,幫助優化性能、驗證演算法效率以及監控系統性能。這種通用方法提供了一種便捷而有效的方式,有助於提高開發效率和代碼質量。 在軟體開發中,瞭解代碼執行時間是優化程式性能 ...
  • 概述:Cron表達式是一種強大的定時任務調度工具,通過配置不同欄位實現靈活的時間規定。在.NET中,Quartz庫提供了簡便的方式配置Cron表達式,實現精準的定時任務調度。這種靈活性和可擴展性使得開發者能夠根據需求輕鬆地制定和管理定時任務,例如每天備份系統日誌或其他重要操作。 Cron表達式詳解 ...
  • 概述:.NET提供多種定時器,如System.Windows.Forms.Timer適用於UI,System.Web.UI.Timer用於Web,System.Diagnostics.Timer用於性能監控,System.Threading.Timer和System.Timers.Timer用於一般 ...
  • 問題背景 有同事聯繫我說,在生產環境上,訪問不了我負責的common服務,然後我去檢查common服務的health endpoint, 沒問題,然後我問了下異常,timeout導致的System.OperationCanceledException。那大概率是客戶端的問題,會不會是埠耗盡,用ne ...
  • 前言: 在本篇 Taurus.MVC WebMVC 入門開發教程的第四篇文章中, 我們將學習如何實現數據列表的綁定,通過使用 List<Model> 來展示多個數據項。 我們將繼續使用 Taurus.Mvc 命名空間,同時探討如何在視圖中綁定並顯示一個 Model 列表。 步驟1:創建 Model ...