《微店大数据开发平台架构演进》阅读有感

《微店大数据开发平台架构演进》阅读有感

一、为什么需要大数据开发平台

微店在16年4月份之前，数据开发流程基本是这样的：

1. 开发人员通过公共账号登录安装了Hive、Hadoop客户端的gateway机器；
2. 编写自己的脚本，调试代码，完成后通过crontab配置脚本定时执行；
3. 为了防止脚本被其他同事修改，一些谨慎的同事会在每次开发完自己的脚本后同步一份到本机，后面为了实现版本控制，把脚本同步到了git；

可以说这样的开发方式连“小米加步枪”都算不上，而且存在诸多问题：

1. 效率低下。
2. 脚本或代码没有版本控制，开发人员想回滚到以前的版本很不方便。
3. 若开发人员疏忽，添加新的需求后未经过调试，将可能会影响生成的数据，进而影响线上业务。
4. 任务缺乏权限控制，可登陆gateway的任何人都可修改、运行脚本。
5. 对于脚本中依赖的表，只能预估它每天产生的时间，一旦它产出延迟，将影响数据的产出。
6. 任务失败无任何报警，只能依靠人工发现。
7. 任务失败重新恢复后无法自动通知依赖下游重新生成。
8. 任务失败要逐层向上游查找最源头的任务失败原因，排查异常繁琐。
9. 一旦gateway机器故障，所有的任务都将灰飞烟灭，毫无疑问这将是一场灾难。

为此，开发一个大数据开发平台，提高大数据开发的效率，为线上每天调度的任务保驾护航已迫在眉睫。

在16年4月份，我们研究并部署了zeus，公司数据开发效率得到了显著提高，解决了开发调试脚本，同步脚本，失败报警等问题，但同时zeus也存在一些问题，zeus使用的GWT的前端框架，开发新的需求比较繁琐，开发、发布任务的流程很不规范，改动很容易就影响线上，带来线上服务的不稳定。基于这些考虑我们启动了二期的开发，并且将二期大数据开发平台定名为Mars。Mars底层复用zeus，主要规范数据开发、调试、发布流程，更换zeus前端框架，改为使用extjs，并实现脚本版本控制，回滚历史脚本等一系列功能。

二、大数据开发平台应该具备的功能特性

Mars具备的功能特性：

1. 引入版本控制，方便开发人员回滚到之前版本，快速恢复线上调度的任务。
2. 规范大数据开发、测试、上线的流程。
3. 权限控制，任务的所有人、管理员才可以操作任务。
4. 依赖调度，所有依赖的任务执行成功，自动触发自身执行。
5. 任务执行失败，发送执行失败消息给任务所有人，人工介入。
6. 手动恢复任务，恢复成功后，自动通知下游的任务重新执行。
7. 任务依赖图谱，成功失败用不同颜色区分，失败源头一目了然。
8. 任务信息存储在数据库，Mars机器采用分布式系统架构，即使单台机器故障也不会影响使用。
9. 输入输出检测，判断输入表是否准备好，检测输出表数据是否完整。

10. 合理使用Hadoop资源。用户只能使用所属团队指定的hadoop队列。

三、Mars大数据平台构成

 

 

     大数据开发平台建立在HDFS、YARN、HiveMeta的基础服务之上，目前支持通过Hive、Kylin查找数据，后面所有的数据查询入口将都集成在这里，包括：ES、Redis、Hades等，大数据平台目前支持Shell、Hive、MR、Spark四种任务类型。

四、Mars系统架构设计

Mars系统架构图：

 

 

  Mars大数据开发平台依托于Hadoop集群，所有的mars机器都必须安装hadoop、Hive客户端。Mars机器有两个身份：master&worker。master负责管理Job、给worker分配Job；worker负责执行Job，提交Job到Hadoop集群，接收Job执行的日志信息。

五、分布式系统架构

• 谁是master，谁是worker

        应用启动时，机器通过抢占的方式争当master，通过在数据库中插入一条记录的方式标识当前谁是master，master每隔一定时间去更新数据库，通过维护一个更新时间间接告知worker它还活着，worker同样每隔一定时间去查询数据库，倘若master的更新时间超过一定时间间隔，worker则认为master故障，第一个发现的worker将当仁不让的成为新的master。

• master、worker容灾模式

        master与worker之间使用基于protobuf的netty进行通信，master会每隔一段时间去检测与worker的连接，若发现worker故障，master将断开与worker的连接，把分配到该故障worker上的任务重新分配到其他worker上去执行；若master故障，worker将使用抢占的方式争当新的master，新的mater将中止所有正在运行的Job，重新分配。

六、定时、依赖调度

 

• 定时调度

        Mars使用Quartz来实现定时调度。Quartz是一个完全由java编写的开源作业调度框架。简单地创建一个实现org.quartz.Job接口的java类。Job接口包含唯一的方法：public void execute(JobExecutionContext context) throws JobExecutionException，在你的Job接口实现类里面，添加业务逻辑到execute()方法。一旦配置好Job实现类并设定好调度时间，Quartz将密切注意剩余时间。当调度程序确定该是通知你作业执行的时候，Quartz框架将调用你的Job实现类（作业类）的execute()方法，去做它该做的事情。

• 依赖调度

        依赖调度是指该Job所有依赖的Job全部成功运行完毕时需要被触发的任务类型。当且仅当其所有依赖的任务在当天全部成功运行完毕后，依赖任务将会被触发执行。那么依赖调度是如何实现的？

 

        例如，任务110、112为定时任务，任务119为依赖任务，任务119依赖任务110、112。起初119的状态为：依赖JobId：110、112，已就绪JobId：空。110、112未就绪，119不执行；凌晨2点任务110执行成功，任务119收到110执行成功事件，状态更新为：依赖JobId：110、112，已就绪JobId：110、112未就绪，119此时仍然不执行；凌晨3点任务112执行成功，任务119收到112执行成功事件，状态再次被更新为：依赖JobId：110、112，已就绪JobId：110、112。110、112均已就绪，触发119开始执行。

七、执行任务都做了哪些工作

 

• 后端

1. 用户在开发中心运行、选中运行或在调度中心手动执行、手动恢复。
2. Mars worker机器进行预判断，包括权限判断、脚本中是否有参数为替换等。
3. worker机器向master机器发送执行任务请求。
4. master机器收到执行任务请求，把任务加入执行队列。
5. master机器定时扫描执行队列，选择合适的worker（负载均衡）执行此任务。
6. 前置准备。包括：资源文件下载，数据表数据监测等。
7. 执行任务。
8. 后置处理。包括数据浮动检查、旧分区清理、添加执行成功标志等。
9. 如果生成了结果文件，还要上传结果文件到Hadoop，方便以后下载。

• 前端

1. 用户触发执行任务。
2. 每隔一段时间请求日志，刷新到前端页面。
3. 任务执行完毕。
4. 如果是开发中心有结果数据，则请求Hadoop上的结果数据。
5. 进行数据展示。

八、遗留问题及后续发展方向

遗留问题

• 检测未跑任务。master挂掉或部署过程中的定时任务不会被触发，需要有机制发现这种任务。
• 重新部署后，正在运行的任务会重新跑。正在运行的任务会被master取消掉，重新分配执行，如果任务执行需要较长的时间，这样做就是无法接受的。
• 检测数据质量。目前输出表仅简单的检测了数据浮动（即数据大小），对于表中的数据内容需要进一步检测，以保证数据产出的合法性。

后续发展方向

• 资源账单。规范用户Hadoop资源使用。
• 数据地图。方便用户找数据。
• 血缘关系。方便用户追溯数据来源。
• 数据流动。方便数据互通。

参考：https://mp.weixin.qq.com/s?__biz=MzIzMDEyNzM4NQ==&mid=2650956332&idx=1&sn=9fe0952942de8f96d9a1d12f66dcd462&chksm=f34ee05ac439694cb02b8e389f35e201aafea966f51c3a594dacdd29a4d22cde32954bd5bfc4&scene=21#wechat_redirect

 

转载于:https://www.cnblogs.com/w-honey/p/11111407.html