本次分享分為5個部分介紹Apache Hudi的應用與實踐

1. 實時數(shù)據(jù)落地需求演進

實時平臺上線后，主要需求是開發(fā)實時報表，即抽取各類數(shù)據(jù)源做實時etl后，吐出實時指標到oracle庫中供展示查詢。

隨著實時平臺的穩(wěn)定及推廣開放，各種使用人員有了更廣發(fā)的需求：

• 對實時開發(fā)來說，需要將實時sql數(shù)據(jù)落地做一些etl調(diào)試，數(shù)據(jù)取樣等過程檢查；
• 數(shù)據(jù)分析、業(yè)務等希望能結(jié)合數(shù)倉已有數(shù)據(jù)體系，對實時數(shù)據(jù)進行分析和洞察，比如用戶行為實時埋點數(shù)據(jù)結(jié)合數(shù)倉已有一些模型進行分析，而不是僅僅看一些高度聚合化的報表；
• 業(yè)務希望將實時數(shù)據(jù)作為業(yè)務過程的一環(huán)進行業(yè)務驅(qū)動，實現(xiàn)業(yè)務閉環(huán)；
• 針對部分需求，需要將實時數(shù)據(jù)落地后，結(jié)合其他數(shù)倉數(shù)據(jù)，T - 1離線跑批出報表；

>

除了上述列舉的主要的需求，還有一些零碎的需求。

總的來說，實時平臺輸出高度聚合后的數(shù)據(jù)給用戶，已經(jīng)滿足不了需求，用戶渴求更細致，更原始，更自主，更多可能的數(shù)據(jù)

而這需要平臺能將實時數(shù)據(jù)落地至離線數(shù)倉體系中，因此，基于這些需求演進，實時平臺開始了實時數(shù)據(jù)落地的探索實踐

2. 基于Spark+Hudi的實時數(shù)據(jù)落地應用實踐

最早開始選型的是比較流行的Spark + Hudi體系，整體落地架構(gòu)如下：

這套主要基于以下考慮：

• 數(shù)倉開發(fā)不需寫Scala/Java打Jar包做任務開發(fā)
• ETL邏輯能夠嵌入落數(shù)據(jù)任務中
• 開發(fā)入口統(tǒng)一

我們當時做了通用的落數(shù)據(jù)通道，通道由Spark任務Jar包和Shell腳本組成，數(shù)倉開發(fā)入口為統(tǒng)一調(diào)度平臺，將落數(shù)據(jù)的需求轉(zhuǎn)化為對應的Shell參數(shù)，啟動腳本后完成數(shù)據(jù)的落地。

3. 基于Flink自定義實時數(shù)據(jù)落地實踐

由于我們當時實時平臺是基于Flink，同時Spark+Hudi對于大流量任務的支持有一些問題，比如落埋點數(shù)據(jù)時，延遲升高，任務經(jīng)常OOM等，因此決定探索Flink落數(shù)據(jù)的路徑。

當時Flink+Hudi社區(qū)還沒有實現(xiàn)，我們參考Flink+ORC的落數(shù)據(jù)的過程，做了實時數(shù)據(jù)落地的實現(xiàn)，主要是做了落數(shù)據(jù)Schema的參數(shù)化定義，使數(shù)據(jù)開發(fā)同事能shell化實現(xiàn)數(shù)據(jù)落地。

4. 基于Flink + Hudi的落地數(shù)據(jù)實踐

Hudi整合Flink版本出來后，實時平臺就著手準備做兼容，把Hudi納入了實時平臺開發(fā)內(nèi)容。

先看下接入后整體架構(gòu)

實時平臺對各類數(shù)據(jù)源及Sink端都以各類插件接入，我們參考了HudiFlinkTable的Sink流程，將Hudi接入了我們的實時開發(fā)平臺。

為了提高可用性，我們主要做了以下輔助功能;

• Hive表元數(shù)據(jù)自動同步、更新；
• Hudi schema自動拼接；
• 任務監(jiān)控、Metrics數(shù)據(jù)接入等

實際使用過程如下

整套體系上線后，各業(yè)務線報表開發(fā)，實時在線分析等方面都有使用，比較好的賦能了業(yè)務，上線鏈路共26條，單日數(shù)據(jù)落入約3億條左右

5. 后續(xù)應用規(guī)劃及展望

后續(xù)主要圍繞如下幾個方面做探索

5.1 取代離線報表，提高報表實時性及穩(wěn)定性

離線報表特點是 T - 1，凌晨跑數(shù)，以及報表整體依賴鏈路長。兩個特點導致時效性不高是一個方面，另一個方面是，數(shù)據(jù)依賴鏈路長的情況下，中間數(shù)據(jù)出問題容易導致后續(xù)整體依賴延時，而很多異常需要等到報表任務實際跑的時候，才能暴露出來。并且跑批問題凌晨暴露，解決的時效與資源協(xié)調(diào)都是要降低一個等級的，這對穩(wěn)定性準時性要求的報表是不可接受的，特別是金融公司來說，通過把報表遷移至實時平臺，不僅僅是提升了報表的時效性，由于抽數(shù)及報表etl是一直再實時跑的，報表數(shù)據(jù)給出的穩(wěn)定性能有一個較大的提升。這是我們Hudi實時落數(shù)據(jù)要應用的規(guī)劃之一

5.2 完善監(jiān)控體系，提升落數(shù)據(jù)任務穩(wěn)定性

目前僅僅做到落數(shù)據(jù)任務的監(jiān)控，即任務是否正常運行，有沒有拋異常等等。但實際使用者更關心數(shù)據(jù)由上游到Hive整條鏈路的監(jiān)控情況。比如數(shù)據(jù)是否有延遲，是否有背壓，數(shù)據(jù)源消費情況，落數(shù)據(jù)是否有丟失，各個task是否有瓶頸等情況，總的來說，用戶希望能更全面細致的了解到任務的運行情況，這也是后面的監(jiān)控需要完善的目標

5.3 落數(shù)據(jù)中間過程可視化探索

這個是和上面的監(jiān)控有類似的地方，用戶希望確定，一條數(shù)據(jù)從數(shù)據(jù)源接進來，經(jīng)過各個算子的處理，它的一些詳細情況。比如這個數(shù)據(jù)是否應該被過濾，處于哪個窗口，各個算子的處理時間等等，否則對于用戶，整個數(shù)據(jù)SQL處理流程是一個黑盒。

以上就是Apache Hudi結(jié)合Flink的億級數(shù)據(jù)入湖實踐解析的詳細內(nèi)容，更多關于Apache Hudi結(jié)合Flink的億級數(shù)據(jù)的資料請關注腳本之家其它相關文章！

最新評論