數(shù)據(jù)中臺怎么選型？終于有人講明白了
導(dǎo)讀：數(shù)據(jù)中臺選型主要包括數(shù)據(jù)倉庫選型、調(diào)度平臺選型、BI工具選型3個方面，好的工具可以大幅提升開發(fā)效率，降低運(yùn)維工作量。
01 數(shù)據(jù)倉庫選型
數(shù)據(jù)倉庫選型是整個數(shù)據(jù)中臺項(xiàng)目的重中之重，是一切開發(fā)和應(yīng)用的基礎(chǔ)。而數(shù)據(jù)倉庫的選型，其實(shí)就是Hive數(shù)倉和非Hive數(shù)倉的較量。
Hive數(shù)倉以Hive為核心，搭建數(shù)據(jù)ETL流程，配合Kylin、Presto、HAWQ、Spark、ClickHouse等查詢引擎完成數(shù)據(jù)的最終展現(xiàn)。而非Hive數(shù)倉則以Greenplum、Doris、GaussDB、HANA（基于SAP BW構(gòu)建的數(shù)據(jù)倉庫一般以HANA作為底層數(shù)據(jù)庫）等支持分布式擴(kuò)展的OLAP數(shù)據(jù)庫為主，支持?jǐn)?shù)據(jù)ETL加工和OLAP查詢。
自從Facebook開源Hive以來，Hive逐漸占領(lǐng)了市場。Hive背靠Hadoop體系，基于HDFS的數(shù)據(jù)存儲，安全穩(wěn)定、讀取高效，同時借助Yarn資源管理器和Spark計(jì)算引擎，可以很方便地?cái)U(kuò)展集群規(guī)模，實(shí)現(xiàn)穩(wěn)定地批處理。Hive數(shù)據(jù)倉庫的優(yōu)勢在于可擴(kuò)展性強(qiáng)，有大規(guī)模集群的應(yīng)用案例，受到廣大架構(gòu)師的推崇。
雖然Hive應(yīng)用廣泛，但是其缺點(diǎn)也是不容忽視的。
Hive的開源生態(tài)已經(jīng)完全分化，各大互聯(lián)網(wǎng)公司和云廠商都是基于早期的開源版本進(jìn)行個性化修改以后投入生產(chǎn)使用的，很難再回到開源體系。Hive現(xiàn)在的3個版本方向1.2.x、2.1.x、3.1.x都有非常廣泛的應(yīng)用，無法形成合力。
開源社區(qū)發(fā)布的Hive版本過于粗糙，漏洞太多。最典型的就是Hive 3.1.0版本里面的Timestamp類型自動存儲為格林尼治時間的問題，無論怎么調(diào)整參數(shù)和系統(tǒng)變量都不能解決。據(jù)HDP官方說明，需要升級到3.1.2版才能解決。根據(jù)筆者實(shí)際應(yīng)用的情況，Hive 3.1.2版在大表關(guān)聯(lián)時又偶爾出現(xiàn)inert overwrite數(shù)據(jù)丟失的情況。
Hive最影響查詢性能的計(jì)算引擎也不能讓人省心。Hive支持的查詢引擎主要有MR、Spark、Tez。MR是一如既往的性能慢，升級到3.0版也沒有任何提升?；趦?nèi)存的Spark引擎性能有了大幅提升，3.x版本的穩(wěn)定性雖然也有所加強(qiáng)，但是對JDBC的支持還是比較弱?；贛R優(yōu)化的Tez引擎雖然是集成最好的，但是需要根據(jù)Hadoop和Hive版本自行編譯，部署和升級都十分復(fù)雜。
Hive對更新和刪除操作的支持并不友好，導(dǎo)致在數(shù)據(jù)湖時代和實(shí)時數(shù)倉時代被迅速拋棄。
Hive的查詢引擎也很難讓用戶滿意，最典型的就是以下查詢引擎。
Spark支持SQL查詢，需要啟動Thrift Server，表現(xiàn)不穩(wěn)定，查詢速度一般為幾秒到幾分鐘。
Impala是CDH公司推出的產(chǎn)品，一般用在CDH平臺中，查詢速度比Spark快，由于是C++開發(fā)的，因此非CDH平臺安裝Impala比較困難。
Presto和Hive一樣，也是Facebook開源的，語法不兼容Hive，查詢速度一般為幾秒到幾分鐘。
Kylin是國人開源的MOLAP軟件，基于Spark引擎對Hive數(shù)據(jù)做預(yù)算并保存在Hbase或其他存儲中，查詢速度非?？觳⑶曳€(wěn)定，一般在10s以下。但是模型構(gòu)建復(fù)雜，使用和運(yùn)維都不太方便。
ClickHouse是目前最火的OLAP查詢軟件，特點(diǎn)是查詢速度快，集成了各大數(shù)據(jù)庫的精華引擎，獨(dú)立于Hadoop平臺，需要把Hive數(shù)據(jù)同步遷移過去，提供有限的SQL支持，幾乎不支持關(guān)聯(lián)操作。
以Hadoop為核心的Hive數(shù)據(jù)倉庫的頹勢已經(jīng)是無法扭轉(zhuǎn)的了，MapReduce早已被市場拋棄，HDFS在各大云平臺也已經(jīng)逐步被對象存儲替代，Yarn被Kubernetes替代也是早晚的事。
我們把視野擴(kuò)展到Hive體系以外，就會發(fā)現(xiàn)MPP架構(gòu)的分布式數(shù)據(jù)庫正在蓬勃發(fā)展，大有取代Hive數(shù)倉的趨勢。
其中技術(shù)最成熟、生態(tài)最完善的當(dāng)屬Greenplum體系。Greenplum自2015年開源以來，經(jīng)歷了4.x、5.x、6.x三個大版本的升級，功能已經(jīng)非常全面和穩(wěn)定了，也受到市場的廣泛推崇?；贕reenplum提供商業(yè)版本的，除了研發(fā)Greenplum的母公司Pivotal，還有中國本地團(tuán)隊(duì)的創(chuàng)業(yè)公司四維縱橫。
此外，還有阿里云提供的云數(shù)據(jù)庫AnalyticDB for PostgreSQL、百度云FusionDB和京東云提供的JDW，都是基于Greenplum進(jìn)行云化的產(chǎn)品。華為的GaussDB在設(shè)計(jì)中也參考了Greenplum數(shù)據(jù)庫。
OLAP查詢性能最強(qiáng)悍的當(dāng)屬SAP商業(yè)數(shù)據(jù)庫HANA，這是數(shù)據(jù)庫領(lǐng)域當(dāng)之無愧的王者。HANA是一個軟硬件結(jié)合體，提供高性能的數(shù)據(jù)查詢功能，用戶可以直接對大量實(shí)時業(yè)務(wù)數(shù)據(jù)進(jìn)行查詢和分析。
HANA唯一的缺點(diǎn)就是太貴，軟件和硬件成本高昂。HANA是一個基于列式存儲的內(nèi)存數(shù)據(jù)庫，主要具有以下優(yōu)勢。
把數(shù)據(jù)保存在內(nèi)存中，通過對比我們發(fā)現(xiàn)，內(nèi)存的訪問速度比磁盤快1000000倍，比SSD和閃存快1000倍。傳統(tǒng)磁盤讀取時間是5ms，內(nèi)存讀取時間是5ns。
服務(wù)器采用多核架構(gòu)（每個刀片8×8核心CPU），多刀片大規(guī)模并行擴(kuò)展，刀片服務(wù)器價格低廉，采用64位地址空間—單臺服務(wù)器容量為2TB，100GB/s的數(shù)據(jù)吞吐量，價格迅速下降，性能迅速提升。
數(shù)據(jù)存儲可以選擇行存儲或者列存儲，同時對數(shù)據(jù)進(jìn)行壓縮。SAP HANA采用數(shù)據(jù)字典的方法對數(shù)據(jù)進(jìn)行壓縮，用整數(shù)代表相應(yīng)的文本，數(shù)據(jù)庫可以進(jìn)一步壓縮數(shù)據(jù)和減少數(shù)據(jù)傳輸。
百度開源的Doris也在迎頭趕上，并且在百度云中提供云原生部署。Apache Doris是一款架構(gòu)領(lǐng)先的MPP分析型數(shù)據(jù)庫產(chǎn)品，僅須亞秒級響應(yīng)時間即可獲得查詢結(jié)果，高效支持實(shí)時數(shù)據(jù)和批處理數(shù)據(jù)。
Apache Doris的分布式架構(gòu)非常簡潔，易于運(yùn)維，并且支持10PB以上的超大數(shù)據(jù)集，可以滿足多種數(shù)據(jù)分析需求，例如固定歷史報表，實(shí)時數(shù)據(jù)分析，交互式數(shù)據(jù)分析和探索式數(shù)據(jù)分析等。
Apache Doris支持AGGREGATE、UNIQUE、DUPLICATE三種表模型，同時支持ROLLUP和MATERIALIZED VIEW兩種向上聚合方式，可以更好地支撐OLAP查詢請求。另外，Doris也支持快速插入和刪除數(shù)據(jù)，是未來實(shí)時數(shù)倉或者數(shù)據(jù)湖產(chǎn)品的有力競爭者。
嘗試在OLTP的基礎(chǔ)上融合OLAP的數(shù)據(jù)庫TiDB、騰訊TBase（云平臺上已改名為TDSQL PostgreSQL版）、阿里的OceanBase都在架構(gòu)上做了大膽的突破。TiDB采用行存儲、列存儲兩種數(shù)據(jù)格式各保存一份數(shù)據(jù)的方式，分別支持快速OLTP交易和OLAP查詢。
TBase則是分別針對OLAP業(yè)務(wù)和OLTP業(yè)務(wù)設(shè)置不同的計(jì)算引擎和數(shù)據(jù)服務(wù)接口，滿足HTAP場景應(yīng)用需求。OceanBase數(shù)據(jù)庫使用基于LSM-Tree的存儲引擎，能夠有效地對數(shù)據(jù)進(jìn)行壓縮，并且不影響性能，可以降低用戶的存儲成本。
02 ETL工具選型
目前，業(yè)界比較領(lǐng)先的開源ETL數(shù)據(jù)抽取工具主要有Kettle、DataX和Waterdrop。商業(yè)版本的DataStage、Informatica和Data Services三款軟件不僅配置復(fù)雜、開發(fā)效率低，執(zhí)行大數(shù)據(jù)加載也非常慢。
Kettle（正式名為Pentaho Data Integration）是一款基于Java開發(fā)的開源ETL工具，具有圖形化界面，可以以工作流的形式流轉(zhuǎn)，有效減少研發(fā)工作量，提高工作效率。
Kettle支持不同來源的數(shù)據(jù)，包括不同數(shù)據(jù)庫、Excel/CSV等文件、郵件、網(wǎng)站爬蟲等。除了數(shù)據(jù)的抽取與轉(zhuǎn)換，還支持文件操作、收發(fā)郵件等，通過圖形化界面來創(chuàng)建、設(shè)計(jì)轉(zhuǎn)換和工作流任務(wù)。
DataX是阿里巴巴集團(tuán)內(nèi)部廣泛使用的離線數(shù)據(jù)同步工具/平臺，實(shí)現(xiàn)包括MySQL、Oracle、SQL Server、Postgre、HDFS、Hive、ADS、HBase、TableStore（OTS）、MaxCompute （ODPS）、DRDS等各種異構(gòu)數(shù)據(jù)源之間高效的數(shù)據(jù)同步功能。
Waterdrop是一款易用、高性能、支持實(shí)時流式和離線批處理的海量數(shù)據(jù)處理工具，程序運(yùn)行在Apache Spark和Apache Flink之上。Waterdrop簡單易用、靈活配置、無需開發(fā)，可運(yùn)行在單機(jī)、Spark Standalone集群、Yarn集群、Mesos集群之上。
Waterdrop支持實(shí)時流式處理，擁有高性能、海量數(shù)據(jù)處理能力，支持模塊化和插件化，易于擴(kuò)展。用戶可根據(jù)需要來擴(kuò)展插件，支持Java/Scala實(shí)現(xiàn)的Input、Filter、Output插件。
總的來說，Kettle適合中小企業(yè)ETL任務(wù)比較少并且單表數(shù)據(jù)量在百萬以下的項(xiàng)目，開發(fā)速度快，支持的數(shù)據(jù)來源豐富，方便快速達(dá)成項(xiàng)目目標(biāo)。
DataX支持需要批處理抽取數(shù)據(jù)的項(xiàng)目，支持千萬級、億級數(shù)據(jù)的快速同步，性能高效、運(yùn)維穩(wěn)定。
Waterdrop是后起之秀，在DataX的基礎(chǔ)上還支持流式數(shù)據(jù)處理，是DataX的有力競爭者和潛在替代產(chǎn)品。
03 調(diào)度平臺選型
調(diào)度平臺可以串聯(lián)ETL任務(wù)并按照指定的依賴和順序自動執(zhí)行。調(diào)度平臺一般用Java語言開發(fā)，平臺實(shí)現(xiàn)難度小，大多數(shù)數(shù)據(jù)倉庫實(shí)時廠商都有自研的調(diào)度平臺。
在早期銀行業(yè)的數(shù)據(jù)倉庫項(xiàng)目中，大多數(shù)據(jù)ETL過程都是通過DataStage、Informatica或者存儲過程實(shí)現(xiàn)的。筆者接觸過最好用的產(chǎn)品就是先進(jìn)數(shù)通公司的Moia Control。Moia Control定位于企業(yè)統(tǒng)一調(diào)度管理平臺，致力于為企業(yè)的批處理作業(yè)制定統(tǒng)一的開發(fā)規(guī)范、運(yùn)維方法，對各系統(tǒng)的批量作業(yè)進(jìn)行統(tǒng)一管理、調(diào)度和監(jiān)控。
Moia Control的系統(tǒng)架構(gòu)如圖1所示，系統(tǒng)分為管理節(jié)點(diǎn)和Agent節(jié)點(diǎn)，管理節(jié)點(diǎn)負(fù)責(zé)調(diào)度任務(wù)的配置和分發(fā)作業(yè)，Agent節(jié)點(diǎn)負(fù)責(zé)任務(wù)的執(zhí)行和監(jiān)控。Moia Control在金融領(lǐng)域具有非常廣泛的應(yīng)用。
▲圖1 Moia Control系統(tǒng)架構(gòu)
在開源領(lǐng)域，伴隨著大數(shù)據(jù)平臺的崛起，雖然先后涌現(xiàn)了Oozie、Azkaban、AirFlow等深度融合Hadoop生態(tài)的產(chǎn)品，但都是曇花一現(xiàn)，目前已經(jīng)逐步被DolphinScheduler取代。DolphinScheduler于2019年8月29日由易觀科技捐贈給Apache啟動孵化。DolphinScheduler的產(chǎn)品架構(gòu)如圖2所示。
▲圖2 DolphinScheduler 產(chǎn)品架構(gòu)
DolphinScheduler是全球頂尖架構(gòu)師與社區(qū)認(rèn)可的數(shù)據(jù)調(diào)度平臺，把復(fù)雜性留給自己，易用性留給用戶，具有如下特征。
云原生設(shè)計(jì)：支持多云、多數(shù)據(jù)中心的跨端調(diào)度，同時也支持Kubernetes Docker的部署與擴(kuò)展，性能上可以線性增長，在用戶測試情況下最高可支持10萬級的并行任務(wù)控制。
高可用：去中心化的多主從節(jié)點(diǎn)工作模式，可以自動平衡任務(wù)負(fù)載，自動高可用，確保任務(wù)在任何節(jié)點(diǎn)死機(jī)的情況下都可以完成整體調(diào)度。
用戶友好的界面：可視化DAG圖，包括子任務(wù)、條件調(diào)度、腳本管理、多租戶等功能，可以讓運(yùn)行任務(wù)實(shí)例與任務(wù)模板分開，提供給平臺維護(hù)人員和數(shù)據(jù)科學(xué)家一個方便易用的開發(fā)和管理平臺。
支持多種數(shù)據(jù)場景：支持流數(shù)據(jù)處理，批數(shù)據(jù)處理，暫停、恢復(fù)、多租戶等，對于Spark、Hive、MR、Flink、ClickHouse等平臺都可以直接調(diào)用。
此外，Kettle本身包含調(diào)度平臺的功能，我們可以直接在KJB文件中定義定時調(diào)度任務(wù)，也可以通過操作系統(tǒng)定時任務(wù)來啟動Kettle，還可以去Kettle中文網(wǎng)申請KettleOnline在線調(diào)度管理系統(tǒng)。
Kettle通過KJB任務(wù)里面的START組件可以設(shè)置定時調(diào)度器，操作界面如圖3所示。
▲圖3 Kettle定時頁面
此外，在Kettle中文網(wǎng)還提供了功能更為強(qiáng)大的KettleOnline工具，非常適合較大型Kettle項(xiàng)目使用，具體功能這里就不展開介紹了。
除了上述調(diào)度工具之外，還有一些小眾的Web調(diào)度工具，例如Taskctl、XXL-JOB等?？偟膩碚f，都能滿足基本的需求。有研發(fā)實(shí)力的公司可以在開源版本的基礎(chǔ)上進(jìn)一步完善功能，打造屬于自己的調(diào)度平臺。
04 BI工具選型
BI是一套完整的商業(yè)解決方案，用于將企業(yè)現(xiàn)有的數(shù)據(jù)進(jìn)行有效的整合，快速、準(zhǔn)確地提供報表并提出決策依據(jù)，幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策。BI工具是指可以快速完成報表創(chuàng)建的集成開發(fā)平臺。
和調(diào)度平臺不一樣，BI領(lǐng)域商業(yè)化產(chǎn)品百花齊放，而開源做成功的產(chǎn)品卻基本沒有。這也和產(chǎn)品的定位有關(guān)，調(diào)度平臺重點(diǎn)關(guān)注功能實(shí)現(xiàn)，整體邏輯簡單通用，便于快速研發(fā)出滿足基本功能的產(chǎn)品。而BI則需要精心打磨，不斷完善和優(yōu)化，才能獲得市場的認(rèn)可。
在早期Oracle稱霸數(shù)據(jù)庫市場的年代，BI領(lǐng)域有3個巨頭，分別是IBM Cognos、Oracle BIEE和SAP BO。在早期BI領(lǐng)域，IBM 50億美元收購Cognos、SAP 68億美元收購BO都曾創(chuàng)造了軟件行業(yè)的收購紀(jì)錄。這兩起收購發(fā)生分別發(fā)生在2007年和2008年。
此后是傳統(tǒng)BI的黃金十年，這三大軟件占領(lǐng)了國內(nèi)BI市場超過80%的份額。筆者參加工作的第一個崗位就是BIEE開發(fā)工程師，而后又兼職做過兩年的Cognos報表開發(fā)，對二者都有比較深刻的認(rèn)識。
在傳統(tǒng)BI時代，主要按照星形模型和雪花模型構(gòu)建BI應(yīng)用，在開發(fā)BI報表之前，必須先定義各種維度表和事實(shí)表，然后通過各BI軟件配套的客戶端工具完成數(shù)據(jù)建模，即事實(shí)表和維度表的關(guān)聯(lián)，以及部分指標(biāo)邏輯的計(jì)算（例如環(huán)比、同比、年累計(jì)等）。
最后在Web頁面上定制報表樣式，開發(fā)出基于不同篩選條件下，相同樣式展現(xiàn)不同數(shù)據(jù)的固定報表。整個開發(fā)過程邏輯清晰，模塊劃分明確，系統(tǒng)運(yùn)行也比較穩(wěn)定，作為整個數(shù)據(jù)分析項(xiàng)目的“臉面”，贏得了較高的客戶滿意度。
傳統(tǒng)BI以固定表格展現(xiàn)為主，輔以少量的圖形。雖然模型和頁面的分離讓開發(fā)變得簡單，目前廣泛應(yīng)用于金融行業(yè)和大型國企管理系統(tǒng)中，但是也有不少缺點(diǎn)，例如，星形模型的結(jié)構(gòu)在大數(shù)據(jù)場景下查詢速度非常慢、模型與頁面的分離造成版本難以管控、模型中內(nèi)嵌函數(shù)導(dǎo)致查找數(shù)據(jù)問題變得困難等。
2017年前后，Tableau強(qiáng)勢崛起，以“敏捷BI”的概念攪動了整個BI市場，引領(lǐng)BI進(jìn)入一個全新的時代。
Tableau最大的特點(diǎn)是以可視化為核心，強(qiáng)調(diào)BI應(yīng)用構(gòu)建的敏捷性。Tableau拋棄了傳統(tǒng)BI的模型層，可以直接基于數(shù)據(jù)庫的表或者查詢來構(gòu)建報表模塊，大大降低了開發(fā)難度，提升了報表的開發(fā)效率和查詢性能。曾經(jīng)需要一天才能完成的報表開發(fā)，現(xiàn)在可能一個小時不到就可以完成，極大提升了產(chǎn)出效率。
在傳統(tǒng)BI時代，國產(chǎn)BI軟件雖然也在發(fā)展，但是不夠強(qiáng)大。在敏捷BI時代，F(xiàn)ineBI、永洪BI、SmartBI、觀遠(yuǎn)BI等商業(yè)化產(chǎn)品順勢崛起，開始搶占國內(nèi)BI市場。
帆軟公司的Fine Report和FineBI更是其中的佼佼者，穩(wěn)坐國產(chǎn)BI軟件的頭把交椅，將產(chǎn)品鋪向了廣大中小企業(yè)。國產(chǎn)BI在培訓(xùn)體系上做得更為完善，以至于筆者發(fā)現(xiàn)在最近半年的面試中，差不多有一半的應(yīng)聘者使用過帆軟公司的產(chǎn)品。
在國產(chǎn)化BI之外，跨國軟件公司也在敏捷BI方向上做出了調(diào)整，其中筆者接觸過的就有微軟的Power BI和微策略的新一代MSTR Desktop。同時，云廠商也加入BI市場的爭奪，其中百度云Sugar、阿里云QuickBI都是內(nèi)部產(chǎn)品對外提供服務(wù)的案例。
總的來說，在敏捷BI領(lǐng)域，國外廠商的軟件成熟度高，版本兼容性好。國內(nèi)廠商的軟件迭代比較快，也容易出現(xiàn)Bug。從實(shí)現(xiàn)效果上看，以上軟件的差異并不大，BI戰(zhàn)場已經(jīng)變成了UI的較量了，只要UI能設(shè)計(jì)出好的樣式，絕大多數(shù)BI軟件都可以實(shí)現(xiàn)近似的效果。
關(guān)于作者：王春波，資深架構(gòu)師和數(shù)據(jù)倉庫專家，現(xiàn)任上海啟高信息科技有限公司大數(shù)據(jù)架構(gòu)師，Apache Doris和openGauss貢獻(xiàn)者，Greenplum中文社區(qū)參與者。?公眾號“數(shù)據(jù)中臺研習(xí)社”運(yùn)營者。
本文摘編于《高效使用Greenplum：入門、進(jìn)階與數(shù)據(jù)中臺》，經(jīng)出版方授權(quán)發(fā)布。（書號：9787111696490）轉(zhuǎn)載請保留文章來源。
推薦語：這不僅是一本從原理到使用、從入門到進(jìn)階講解Greenplum的著作，而且是一本指導(dǎo)企業(yè)用更省錢、更高效地方式使用Greenplum構(gòu)建企業(yè)級數(shù)據(jù)倉庫和數(shù)據(jù)中臺的著作。?
干貨直達(dá)??