大学生特黄特色大片免费祝频 ,日日骚AV,夜夜高潮夜夜爽精品欧美做爱,操杨幂视频,久久丫精品久久丫,久操福利,成人无码激情视频,操日本熟女

Flink 和 ClickHouse 分別是實(shí)時計算和（近實(shí)時）OLAP 領(lǐng)域的翹楚，也是近些年非常火爆的開源框架，很多大廠都在將兩者結(jié)合使用來構(gòu)建各種用途的實(shí)時平臺、實(shí)時數(shù)倉，效果很好。關(guān)于兩者的優(yōu)點(diǎn)就不再贅述，本文來簡單介紹筆者團(tuán)隊在點(diǎn)擊流實(shí)時數(shù)倉方面的一點(diǎn)實(shí)踐經(jīng)驗(yàn)。

點(diǎn)擊流及其維度建模

所謂點(diǎn)擊流（click stream），就是指用戶訪問網(wǎng)站、App 等 Web 前端時在后端留下的軌跡數(shù)據(jù)，也是流量分析（traffic analysis）和用戶行為分析（user behavior analysis）的基礎(chǔ)。點(diǎn)擊流數(shù)據(jù)一般以訪問日志和埋點(diǎn)日志的形式存儲，其特點(diǎn)是量大、維度豐富。以我們一個中等體量的普通電商平臺為例，每天產(chǎn)生約 200GB 左右、數(shù)十億條的原始日志，埋點(diǎn)事件 100+ 個，涉及 50+ 個維度。

按照 Kimball 的維度建模理論，點(diǎn)擊流數(shù)倉遵循典型的星形模型，簡圖如下。

點(diǎn)擊流數(shù)倉分層設(shè)計

點(diǎn)擊流實(shí)時數(shù)倉的分層設(shè)計仍然可以借鑒傳統(tǒng)數(shù)倉的方案，以扁平為上策，盡量減少數(shù)據(jù)傳輸中途的延遲。簡圖如下。

DIM 層：維度層，MySQL 鏡像庫，存儲所有維度數(shù)據(jù)。
ODS 層：貼源層，原始數(shù)據(jù)由 Flume 直接進(jìn)入 Kafka 的對應(yīng) topic。
DWD 層：明細(xì)層，通過 Flink 將 Kafka 中數(shù)據(jù)進(jìn)行必要的 ETL 與實(shí)時維度 join 操作，形成規(guī)范的明細(xì)數(shù)據(jù)，并寫回 Kafka 以便下游與其他業(yè)務(wù)使用。再通過 Flink 將明細(xì)數(shù)據(jù)分別寫入 ClickHouse 和 Hive 打成大寬表，前者作為查詢與分析的核心，后者作為備份和數(shù)據(jù)質(zhì)量保證（對數(shù)、補(bǔ)數(shù)等）。
DWS 層：服務(wù)層，部分指標(biāo)通過 Flink 實(shí)時匯總至 Redis，供大屏類業(yè)務(wù)使用。更多的指標(biāo)則通過 ClickHouse 物化視圖等機(jī)制周期性匯總，形成報表與頁面熱力圖。特別地，部分明細(xì)數(shù)據(jù)也在此層開放，方便高級 BI 人員進(jìn)行漏斗、留存、用戶路徑等靈活的 ad-hoc 查詢，這些也是 ClickHouse 遠(yuǎn)超過其他 OLAP 引擎的強(qiáng)大之處。

要點(diǎn)與注意事項(xiàng)

Flink 實(shí)時維度關(guān)聯(lián)

Flink 框架的異步 I/O 機(jī)制為用戶在流式作業(yè)中訪問外部存儲提供了很大的便利。針對我們的情況，有以下三點(diǎn)需要注意：

使用異步 MySQL 客戶端，如 Vert.x MySQL Client。
AsyncFunction 內(nèi)添加內(nèi)存緩存（如 Guava Cache、Caffeine 等），并設(shè)定合理的緩存驅(qū)逐機(jī)制，避免頻繁請求 MySQL 庫。
實(shí)時維度關(guān)聯(lián)僅適用于緩慢變化維度，如地理位置信息、商品及分類信息等。快速變化維度（如用戶信息）則不太適合打進(jìn)寬表，我們采用 MySQL 表引擎將快變維度表直接映射到 ClickHouse 中，而 ClickHouse 支持異構(gòu)查詢，也能夠支撐規(guī)模較小的維表 join 場景。未來則考慮使用 MaterializedMySQL 引擎（當(dāng)前仍未正式發(fā)布）將部分維度表通過 binlog 鏡像到 ClickHouse。

Flink-ClickHouse Sink 設(shè)計

可以通過 JDBC（flink-connector-jdbc）方式來直接寫入 ClickHouse，但靈活性欠佳。好在 clickhouse-jdbc 項(xiàng)目提供了適配 ClickHouse 集群的 BalancedClickhouseDataSource 組件，我們基于它設(shè)計了 Flink-ClickHouse Sink，要點(diǎn)有三：

寫入本地表，而非分布式表，老生常談了。
按數(shù)據(jù)批次大小以及批次間隔兩個條件控制寫入頻率，在 part merge 壓力和數(shù)據(jù)實(shí)時性兩方面取得平衡。目前我們采用 10000 條的批次大小與 15 秒的間隔，只要滿足其一則觸發(fā)寫入。
BalancedClickhouseDataSource 通過隨機(jī)路由保證了各 ClickHouse 實(shí)例的負(fù)載均衡，但是只是通過周期性 ping 來探活，并屏蔽掉當(dāng)前不能訪問的實(shí)例，而沒有故障轉(zhuǎn)移——亦即一旦試圖寫入已經(jīng)失敗的節(jié)點(diǎn)，就會丟失數(shù)據(jù)。為此我們設(shè)計了重試機(jī)制，重試次數(shù)和間隔均可配置，如果當(dāng)重試機(jī)會耗盡后仍然無法成功寫入，就將該批次數(shù)據(jù)轉(zhuǎn)存至配置好的路徑下，并報警要求及時檢查與回填。

當(dāng)前我們僅實(shí)現(xiàn)了 DataStream API 風(fēng)格的 Flink-ClickHouse Sink，隨著 Flink 作業(yè) SQL 化的大潮，在未來還計劃實(shí)現(xiàn) SQL 風(fēng)格的 ClickHouse Sink，打磨健壯后會適時回饋給社區(qū)。另外，除了隨機(jī)路由，我們也計劃加入輪詢和 sharding key hash 等更靈活的路由方式。

還有一點(diǎn)就是，ClickHouse 并不支持事務(wù)，所以也不必費(fèi)心考慮 2PC Sink 等保證 exactly once 語義的操作。如果 Flink 到 ClickHouse 的鏈路出現(xiàn)問題導(dǎo)致作業(yè)重啟，作業(yè)會直接從最新的位點(diǎn)（即 Kafka 的 latest offset）開始消費(fèi)，丟失的數(shù)據(jù)再經(jīng)由 Hive 進(jìn)行回填即可。

ClickHouse 數(shù)據(jù)重平衡

ClickHouse 集群擴(kuò)容之后，數(shù)據(jù)的重平衡（reshard）是一件麻煩事，因?yàn)椴淮嬖陬愃?HDFS Balancer 這種開箱即用的工具。一種比較簡單粗暴的思路是修改 ClickHouse 配置文件中的 shard weight，使新加入的 shard 多寫入數(shù)據(jù)，直到所有節(jié)點(diǎn)近似平衡之后再調(diào)整回來。但是這會造成明顯的熱點(diǎn)問題，并且僅對直接寫入分布式表才有效，并不可取。

因此，我們采用了一種比較曲折的方法：將原表重命名，在所有節(jié)點(diǎn)上建立與原表 schema 相同的新表，將實(shí)時數(shù)據(jù)寫入新表，同時用 clickhouse-copier 工具將歷史數(shù)據(jù)整體遷移到新表上來，再刪除原表。當(dāng)然在遷移期間，被重平衡的表是無法提供服務(wù)的，仍然不那么優(yōu)雅。如果大佬們有更好的方案，歡迎交流。

The End