汽車之家湖倉一體架構實踐
分享嘉賓:邸星星 @汽車之家
編輯整理:DataFun、Flink 中文社區
**導讀:**本文將介紹如何基於 Apache Iceberg 構建湖倉一體架構,將數據可見性提升至分鐘級;從多維分析的角度來探討引入 Apache Iceberg 帶來的收益,以及未來還有哪些收益可以期待。
01
數據倉庫架構升級的背景
1. 基於 Hive 的數據倉庫的痛點
原有的數據倉庫完全基於 Hive 建造而成,主要存在上述三大痛點。
2. Iceberg 關鍵特性
Iceberg 主要有四大關鍵特性:支持 ACID 語義、增量快照機制、開放的表格式和流批接口支持。
02
基於 Iceberg 的湖倉一體架構實踐
湖倉一體的意義就是說我不需要看見湖和倉,數據有着打通的元數據的格式,它可以自由的流動,也可以對接上層多樣化的計算生態。
——賈揚清
1. Append 流入湖的鏈路
上圖爲日誌類數據入湖的鏈路,日誌類數據包含客戶端日誌、用戶端日誌以及服務端日誌。這些日誌數據會實時錄入到 Kafka,然後通過 Flink 任務寫到 Iceberg 裏面,最終存儲到 HDFS。
2. Flink SQL 入湖鏈路打通
我們的 Flink SQL 入湖鏈路打通是基於 “Flink 1.11 + Iceberg 0.11” 完成的,對接 Iceberg Catalog 我們主要做了以下內容:
-
Meta Server 增加對 Iceberg Catalog 的支持;
-
SQL SDK 增加 Iceberg Catalog 支持。
然後在這基礎上,平臺開放 Iceberg 表的管理功能,使得用戶可以自己在平臺上建 SQL 的表。
3. 入湖 - 支持代理用戶
第二步是內部的實踐,對接現有預算體系、權限體系。
因爲之前平臺做實時作業的時候,平臺都是默認爲 Flink 用戶去運行的,之前存儲不涉及 HDFS 存儲,因此可能沒有什麼問題,也就沒有思考預算劃分方面的問題。
但是現在寫 Iceberg 的話,可能就會涉及一些問題。比如數倉團隊有自己的集市,數據就應該寫到他們的目錄下面,預算也是劃到他們的預算下,同時權限和離線團隊賬號的體系打通。
如上所示,這塊主要是在平臺上做了代理用戶的功能,用戶可以去指定用哪個賬號去把這個數據寫到 Iceberg 裏面,實現過程主要有以下三個。
① 增加 Table 級別配置:'iceberg.user.proxy' = 'targetUser’
-
啓用 Superuser
-
團隊賬號鑑權
② 訪問 HDFS 時啓用代理用戶:
③ 訪問 Hive Metastore 時指定代理用戶
- 參考 Spark 的相關實現:
org.apache.spark.deploy.security.HiveDelegationTokenProvider
- 動態代理 HiveMetaStoreClient,使用代理用戶訪問 Hive metastore
4. Flink SQL 入湖示例
DDL + DML
5. CDC 數據入湖鏈路
如上所示,我們有一個 AutoDTS 平臺,負責業務庫數據的實時接入。我們會把這些業務庫的數據接入到 Kafka 裏面,同時它還支持在平臺上配置分發任務,相當於把進 Kafka 的數據分發到不同的存儲引擎裏,在這個場景下是分發到 Iceberg 裏。
6. Flink SQL CDC 入湖鏈路打通
下面是我們基於 “Flink1.11 + Iceberg 0.11” 支持 CDC 入湖所做的改動:
改進 Iceberg Sink:
Flink 1.11 版本爲 AppendStreamTableSink,無法處理 CDC 流,修改並適配。
表管理
-
支持 Primary key(PR1978)
-
開啓 V2 版本:'iceberg.format.version' = '2'
7. CDC 數據入湖
① 支持 Bucket
Upsert 場景下,需要確保同一條數據寫入到同一 Bucket 下,這又如何實現?
目前 Flink SQL 語法不支持聲明 bucket 分區,通過配置的方式聲明 Bucket:
'partition.bucket.source'='id', // 指定 bucket 字段
'partition.bucket.num'='10', // 指定 bucket 數量
② Copy-on-write sink
做 Copy-on-Write 的原因是原本社區的 Merge-on-Read 不支持合併小文件,所以我們臨時去做了 Copy-on-write sink 的實現。目前業務一直在測試使用,效果良好。
上方爲 Copy-on-Write 的實現,其實跟原來的 Merge-on-Read 比較類似,也是有 StreamWriter 多並行度寫入和 FileCommitter 單並行度順序提交。
在 Copy-on-Write 裏面,需要根據表的數據量合理設置 Bucket 數,無需額外做小文件合併。
StreamWriter 在 snapshotState 階段多並行度寫入
-
增加 Buffer;
-
寫入前需要判斷上次 checkpoint 已經 commit 成功;
-
按 bucket 分組、合併,逐個 Bucket 寫入。
FileCommitter 單並行度順序提交
-
table.newOverwrite()
-
Flink.last.committed.checkpoint.id
8. 示例 - CDC 數據配置入湖
如上圖所示,在實際使用中,業務方可以在 DTS 平臺上創建或配置分發任務即可。
實例類型選擇 Iceberg 表,然後選擇目標庫,表明要把哪個表的數據同步到 Iceberg 裏,然後可以選原表和目標表的字段的映射關係是什麼樣的,配置之後就可以啓動分發任務。啓動之後,會在實時計算平臺 Flink 裏面提交一個實時任務,接着用 Copy-on-write sink 去實時地把數據寫到 Iceberg 表裏面。
9. 入湖其他實踐
10. 小文件合併及數據清理
11. 計算引擎 – Flink
Flink 是實時平臺的核心計算引擎,目前主要支持數據入湖場景,主要有以下幾個方面的特點。
數據準實時入湖:
Flink 和 Iceberg 在數據入湖方面集成度最高,Flink 社區主動擁抱數據湖技術。
平臺集成:
AutoStream 引入 IcebergCatalog,支持通過 SQL 建表、入湖 AutoDTS 支持將 MySQL、SQLServer、TiDB 表配置入湖。
流批一體:
在流批一體的理念下,Flink 的優勢會逐漸體現出來。
12. 計算引擎 – Hive
Hive 在 SQL 批處理層面 Iceberg 和 Spark 3 集成度更高,主要提供以下三個方面的功能。
定期小文件合併及 meta 信息查詢:
SELECT * FROM prod.db.table.history 還可查看 snapshots, files, manifests。
離線數據寫入:
-
Insert into
-
Insert overwrite
-
Merge into
分析查詢:
主要支持日常的準實時分析查詢場景。
13. 計算引擎 – Trino/Presto
AutoBI 已經和 Presto 集成,用於報表、分析型查詢場景。
Trino
-
直接將 Iceberg 作爲報表數據源
-
需要增加元數據緩存機制:https://github.com/trinodb/trino/issues/7551
Presto
社區集成中:https://github.com/prestodb/presto/pull/15836
14. 踩過的坑
03
收益與總結
1. 總結
通過對湖倉一體、流批融合的探索,我們分別做了總結。
湖倉一體
-
Iceberg 支持 Hive Metastore;
-
總體使用上與 Hive 表類似:相同數據格式、相同的計算引擎。
流批融合
準實時場景下實現流批統一:同源、同計算、同存儲。
2. 業務收益
3. 架構收益 - 準實時數倉
上方也提到了,我們支持準實時的入倉和分析,相當於是爲後續的準實時數倉建設提供了基礎的架構驗證。準實時數倉的優勢是一次開發、口徑統一、統一存儲,是真正的批流一體。劣勢是實時性較差,原來可能是秒級、毫秒級的延遲,現在是分鐘級的數據可見性。
但是在架構層面上,這個意義還是很大的,後續我們能看到一些希望,可以把整個原來 “T + 1” 的數倉,做成準實時的數倉,提升數倉整體的數據時效性,然後更好地支持上下游的業務。
04
後續規劃
今天的分享就到這裏,謝謝大家。
在文末分享、點贊、在看,給個 3 連擊唄~
分享嘉賓:
社羣推薦:
歡迎加入 **DataFunTalk 大數據 **交流羣,跟同行零距離交流。識別二維碼,添加小助手微信,入羣。
**關於我們:
**
**DataFunTalk **專注於大數據、人工智能技術應用的分享與交流。發起於 2017 年,在北京、上海、深圳、杭州等城市舉辦超過 100 + 線下和 100 + 線上沙龍、論壇及峯會,已邀請近 1000 位專家和學者參與分享。其公衆號 DataFunTalk 累計生產原創文章 400+,百萬 + 閱讀,10 萬 + 精準粉絲。
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/RTluGmL582H-EWlX8M99ww