基于Kafka+SparkStreaming+OushuDB搭建批流一体大数据分析架构

实时消息Kafka

Kafka是最初由Linkedin公司开发，是一个分布式、分区的、多副本的、多订阅者，基于zookeeper协调的分布式日志系统（也可以当做MQ系统），常见可以用于web/nginx日志、访问日志，消息服务等等，Linkedin于2010年贡献给了Apache基金会并成为顶级开源项目。

主要应用场景是：日志收集系统和消息系统。

Kafka主要设计目标如下：

以时间复杂度为O(1)的方式提供消息持久化能力，即使对TB级以上数据也能保证常数时间的访问性能。

高吞吐率。即使在非常廉价的商用机器上也能做到单机支持每秒100K条消息的传输。

支持Kafka Server间的消息分区，及分布式消费，同时保证每个partition内的消息顺序传输。

同时支持离线数据处理和实时数据处理。

Scale out:支持在线水平扩展

流式计算Spark Streaming

Apache Flink框架的实时计算模型是基于Dataflow Model实现的，支持定义DAG图；支持定义各类窗口（固定窗口、滑动窗口和Session窗口）；支持灵活定义计算触发时间；支持丰富的Function定义数据更新模式。和Spark Streaming一样，Flink支持分层API，支持DataStream API，Process Function，SQL。Flink最大特点在于其实时计算的正确性保证：Exactly once，原生支持事件时间，支持延时数据处理。

Spark Streaming的实现非常简单，通过微批次将实时数据拆成一个个批处理任务，通过批处理的方式完成各个子Batch。Spark Streaming的API也非常简单灵活，既可以用DStream的java/scala API，也可以使用SQL定义处理逻辑。但Spark Streaming受限于微批次处理模型，业务方需要完成一个真正意义上的实时计算会非常困难，比如基于数据事件时间、数据晚到后的处理，都得用户进行大量编程实现。Spark Streaming的优势体现在高性能的对海量实时数据的采集落盘。

Hadoop分布式文件系统(hadoopdistributed filesystem，HDFS)

HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。HDFS可以实现流的形式访问（streaming access）文件系统中的数据。

它是基于流数据模式的访问和处理超大文件。

特点:

错误检测和快速、自动的恢复是 HDFS的核心架构目标

HDFS 以支持大数据集合为目标，一个存储在上面的典型文件大小一般都在千兆至 T字节，一个单一 HDFS实例应该能支撑数以千万计的文件。

主从架构。

文件采用write-one-read-many访问模型(一次写，多次读，不可更新已有内容)

跑在 HDFS上的应用与一般的应用不同，它们主要是以流式读为主，做批量处理；比之关注数据访问的低延迟问题，更关键的在于数据访问的高吞吐量。

批处理计算引擎OushuDB

Oushu Database（简称OushuDB）是由Apache HAWQ创始团队打造的新一代云原生数据仓库，该产品采用了存储与计算分离技术架构，具有MPP的所有优点，还具有弹性，支持混合工作负载和高扩展性等优点。 高可扩展，遵循ANSI-SQL标准，具有极速执行器，提供PB级数据交互式查询能力。并且提供对主要BI工具的描述性分析支持。兼容Oracle，GPDB和PostgreSQL，可以轻松取代传统数据仓库包括Teradata，Oracle，DB2，Greenplum和SQL-on-Hadoop引擎。

Oushu Database和Apache HAWQ的不同

全新执行引擎，充分利用硬件的所有特性，比Apache HAWQ性能高出5-10倍

支持Update和Delete，以及索引

C++可插拔外部存储

替换JAVA PXF，性能高数倍，无需安装部署PXF额外组件，极大简化了用户安装部署和运维

原生支持CSV/TEXT外部存储

可以用于不同集群之间共享数据，比如数据仓库和集市之间共享及传输数据

可以用于高速数据加载和数据导出

可以实现可插拔文件系统：比如S3, Ceph等

可以实现可插拔文件格式：比如ORC，Parquet等

支持ORC/TEXT/CSV作为内部表格式，支持ORC作为外部表格式 (通过C++可插拔外部存储)

csv和text文件格式中对非ASCII字符串或长度大于1的字符串作为分隔符的支持

基于OushuDB搭建批流一体大数据分析架构