百度用户产品流批一体的实时数仓实践

作者 | 郑德来

导读：本文主要介绍如何基于流批一体的技术架构构建实时数仓，在严格的资源成本限制下，满足业务对于数据时效性、准确性的需求。文章整体包含4个部分，首先会介绍下大数据架构演进，从经典架构到Lambda架构再到Kappa架构；然后会介绍下我们做流批一体实时数仓的背景，旧架构面临的主要问题；第三会介绍下我们流批一体实时数仓的技术方案，关键问题的突破；最后一部分是总结和规划，我们的技术方案达成了什么样的业务效果。

全文4735字，预计阅读时间12分钟。

一、大数据架构演进

1.经典离线数仓架构介绍

经典的离线数据仓库主要分为4层：

1）操作数据层（Operational Data Store），存储基础数据，做简单数据清洗。

2）明细数据层（Data Warehouse Detail），构建最细粒度的明细层事实表。

3）汇总数据层（Data Warehouse Summary），按照主题，对明细数据进行汇总。

4）应用数据层（Application Data Store），存放业务个性化统计指标，面向最终展示。

经典的离线数仓的优缺点十分清晰，优点是架构简单，开发成本低，资源成本低，数据易管理，数据差别小；缺点是数据时效性差、缺少实时数据。

2.Lambda架构介绍

lambda架构是由Storm作者Nathan Marz于2011年提出的实时数仓架构，初衷也是弥补经典数仓架构时效性差的问题。整个架构会分三层：

1）Batch Layer：批处理层，这一层其实基本是复用了经典数仓分层架构，数据也是基于ods 、dwd、dws、ads的结构进行组织，也就保留了经典数仓数据准确、全面的特点。使用技术栈也是跟经典数仓一致，主要以mr、hive、spark等离线计算框架为主。

2）Speed Layer：加速处理层，这一层的重点在于产出高时效性的数据，对于数据的准确性和完整性可能会有一些降级，一般会采用kafka等消息中间件进行数据传输和存储，采用一些像Storm、Spark streaming 、Flink 等流式计算框架进行数据计算。

3）Serving Layer：服务层，这一层会将speed layer和batch layer层的数据进行合并和替换，输出到一些数据库或者olap引擎中，支撑上层的数据应用。

相比于经典数仓，Lambda架构由于引入了speed layer，能够把数据的时效性大大提前，由于同时具有speed layer和batch layer，使得Lambda架构能够同时兼顾数据准确性和数据的时效性，另外batch layer基本兼容了经典数据架构，所以在从经典数仓架构迁移Lambda架构的时候，可以省去一部分沉重的历史包袱，至于缺点嘛，也是因为Lambda架构同时具有speed layer和batch layer，那就会导致这么几个问题：

1）一个需求会有两套代码，同时开发两遍，也就会造成开发成本的浪费。

2）资源需要两份，一份离线的资源，一份流式的资源，整体资源占用比较多。

3）数据差异问题，离线和实时的数据总是有差异，对不齐，体验比较差。

3.Kappa架构介绍

随着流式计算框架的不断发展，尤其是针对不重不丢语义的支持越来越好，Confluent公司CEO Jay Kreps于2014年提出了kappa架构。Kappa架构的核心思想是去掉Lambda架构的batch layer，实时计算和离线计算使用同一套代码。通过一套架构来同时满足业务对于准确性、全面性、时效性的要求。

首先，kappa架构肯定是解决了Lambda架构的几个缺点，因为实时离线使用一套代码，整个开发成本大大的降低，资源的成本也有了一定的节省，同时最关键的是实时和离线的统计做到了统一，消除了各类在离线数据diff问题。那当然，kappa架构也不是完美的，它也有一些缺点：

1）数据回溯的问题，业务口径的变更会带来数据回溯，kappa架构没有离线数据流，回溯的成本是很高的。

2）随着业务的复杂度增加，数据源的复杂度也增加，流式计算环节会面临各种复杂关联场景的挑战，开发和维护的成本非常高。

一些新业务，数仓可以从0开始建，Lambda架构的落地成本还是可以接受的。但是大多数情况下，我们的数仓建设都有沉重的历史包袱，好多存量逻辑面临实时化的改造，而这些改造往往是成本高，收益小。

二、背景

首先介绍一下旧的架构，根据前面讲的大数据架构演进，可以看出来旧的架构是一个Lambda架构。旧的架构也是基于经典数仓架构演变而来，新增了实时流部分，满足业务的高时效性诉求。深蓝的部分是离线流，浅蓝部分是实时流：

1）离线流

最底层是数据源，主要有两类，一类来源于日志打点，比如一些展现日志、点击日志，一类来源于业务的数据库，比如一些订单数据、物料数据。日志打点的数据经过日志采集工具小时或天级采集到文件系统上，业务数据库的数据经过dump工具天级别采集到文件系统上，再经过离线的数据清洗，构建数据仓库。数据仓库也是经典的分层数仓，数仓上层主要是承接多维分析和报表需求。

2）实时流

日志打点这块通过实时的数据采集，将有时效性要求的数据写入到消息队列，业务数据库的数据也通过采集binlog等变更流信息，将有时效性要求的数据写入到消息队列，消息队列之后就是流式计算环节，这个环节会按照需求，分别进行数据加工，满足策略信号、实时报表、实时应用的诉求。

旧架构在实际的使用过程中，也遇到了一系列的问题：

1）由于业务比较复杂，采用分层建模，数据表量级在千张级别，表关联场景多，一次查询可能需要关联几十张表，查询时效慢，平均时效在几十分钟级别。

2）数据延迟严重，大部分数据都是天级产出，个别小时级的数据产出也要延迟几个小时。

3）实时和离线数据存在差异，不能对齐，每次需要开发两套代码，维护成本高。

三、技术方案

1.整体架构

我们的流批一体实时数仓整体架构，整体上是一种Lambda和kappa的混合架构：

1）最关键的变化其实是数据清洗和数据仓库环节，每个字段会根据使用场景的时效性要求，来确定数据流是走实时还是离线。一个字段要么走实时，要么走离线，实时和离线不再是补充关系而是替换关系。这样也就避免了Lambda架构典型问题，实时离线两套代码、在离线数据不一致。同时没有时效性诉求的字段还是继续保留离线的处理逻辑，没必要强行切换到实时，增加资源成本和开发维护成本。

2）整个数据仓库也由之前的分层建模变成了宽表建模，实时字段和离线字段通过分钟级的merge合并成一张宽表。整体的建模思路也不再面向数据源建模，而是面向使用建模，保证业务方在使用的时候表尽量少，减少表的关联，降低查询耗时。

2.关键问题突破

1）数据更新问题

针对实时数仓，其实比较简单的是纯日志场景，一个典型的日志场景的实时数仓方案大概是这样的，原始的日志经过实时采集写入到消息队列中，再在流式计算环节，通过固定的时间窗口写入到文件中就好了，日志数据其实是不会变化的，日志打印那一刻数据就固定了，但是数据库数据是不一样的，他是会更新的，像比如说订单的状态，物料的属性，都可能会发生变化，但是分布式的文件系统往往是不支持更新的，那随着计算窗口的变大，吞吐能力和可维护性都变差。

我们的解决方案大概是这样的，对于数据库数据，我们首先采集变更信息binlog，写入到消息队列中，然后采用CopyOnWrite机制，通过滚动5分钟合并过程，将base文件和delta文件进行合并，不断产生最新的可用版本。没有采用MergeOnRead方案，关键原因还是满足业务的诉求，业务对查询的时效性特别敏感，必须是秒级别，而对数据导入的时效性没有特别敏感，分钟级是可以满足需求的。

2）多表关联问题

离线场景典型的数据关联方案大概是这样的，有一张db主表，几张关联表，通过spark或者其他的离线计算框架关联到一起，再写入到文件系统中，供查询引擎进行查询。每一个表的数据量可能都很大，就会触发shuffle join，关联性能非常差。

来看一下我们的解决方案，这个方案可以简单描述为三次关联：

每一张表都能够根据问题一的解决方案产生base文件和delta文件，base文件就包含了主表或者关联表的截止到某一个时刻的全部记录，那delta文件就包含了主表或者关联表在某个时间窗口内的变更记录。因为通常这种情况下，数据库的数据只是存量的记录比较多，但是增量的更新相对较少。所以每一个表的delta文件都是相对较小的，那这三次关联都是存在小数据集的，虽然关联了多次，但整体的时效还是满足预期的。

3）数据库和日志关联问题

对于数据库和日志关联的问题，典型的解决方案大概是这样的，将数据库数据全量写入一个高性能缓存中，将日志数据在流式计算环节进行处理，然后通过查询高性能缓存的方式将数据库相关字段进行拼接，最终再通过固定的窗口写入到文件系统中，供查询引擎查询。那这个方案主要有这样的问题，存量的数据库记录非常多，这就要求缓存要有很大的容量，再一个是日志的吞吐特别高，这就会导致拼接的过程需要频繁查询缓存，也就是说，对缓存的读qps和容量都有比较高的要求，这就导致缓存的资源成本非常高。

对于日志数据，通过日志采集写入到消息队列中，在流式计算环节通过固定的窗口产生delta文件，对于数据库数据，采用多表关联解决方案，能够滚动的产出可查询的版本，有变化的是采取了一个冷热数据分离的方案，日志的delta文件分钟级滚动合并的时候，只合并热数据，对于冷的数据进行天级别的合并。这个实现的降级其实也主要是以最低的成本，来满足业务最核心的诉求，业务最主要的诉求就是热数据能够快速查到，数据准确一致。这个方案整体上也是参考了一些Lambda架构的思想，虽然有冷热数据两次不同的合并，但是合并的逻辑是一致的不需要写两份代码，只不过资源层面会新增一份全量数据的关联，但是从整体看，既满足了需求，资源又没有增加太多。

4）数据水位问题

前面也说了，我们的建模从之前的分层建模改成了宽表建模，而宽表建模有个最大的问题就是数据到位时间问题，那通常情况下所有的依赖表数据都产出之后，宽表才能产出。

实际情况下，我们的数据源往往是复杂的，比如有一部分表能实时产出，分钟级延迟，但有些表因为一些特殊的逻辑只能T+1，甚至T+2产出。

总体的方案就是数据按版本产出，字段按需实时化,原始的日志、数据库数据，通过前面讲的三个解决方案，能够保证实时的字段分钟级产出可查询版本,对于一些时效性不敏感的字段可能是T+1产出,对于一些复杂计算或者第三方回传的字段可能是T+2产出，但是整体的展现形式是一张宽表,同时在业务使用宽表的时候展示字段可用状态。