首页手记大数据平台1.0总结和2.0演化路线

大数据平台1.0总结和2.0演化路线

标签：

大数据

从3月份到现在2个月过去了，整个数据平台从0到1，算是有了一个基本的样子，跌跌撞撞的勉强支撑起运营的一些基本业务，当然这仅仅是开始，下一步还要从零打造自己的UBS系统，想想都兴奋呢！接下来总结下自己这段时间的得失，以及下一阶段的演化目标

关于产品架构的原则可以查看这里，我分了两篇来写：

https://www.cnblogs.com/buoge/p/9093096.html

目前的架构方式是这样的:

从使用Sqoop 定时从MySQL中同步数据，数据量大只能小水管的去fetch每次5-10W条记录，避免数据库压力过大
Flume tailagent 每汇总一小时然后传递logcenter,通过Python过滤后批量的Load到hive中
每日的报表在Hive的基础上会跑一些 MR 的Job, 作为每日的固化查询。

目前的缺点和不足：

问题：日志读取,Hive入库和完成后删除log日志原始文件没有做完整的事务控制，load失败或是任务失败，原始日志已经删除了，尴尬，目前解决方式是保留15天的原始日志
解决方案：后续引入Kafka的日志回放功能，它有机制保证写入一次后在返回
问题：各种crontab 飞起没有统一的调度平台，crontab 之间有依赖关系，但是crontab并没有做前后的依赖检查和重试
原因：数据就我一个人，平台架构和业务要同时搞，老板在后面催没有这么多时间容许我慢慢的搞的这么精细
解决方案：引入azkaban任务调度平台，统一管理
问题：Hue还没安装，神器不解释了，把各个集群的指标汇总在一起，HDFS，Yarn, MapReduce都能在一个页面直观的看到，而且还有个方便的功能就是Hive的web客户端，不用每次都去终端敲ssh命令，公司网垃圾ssh老是断浪费时间
问题：HDFS数据不能修改，只能删除重建，这里其实更适合日志类的信息，像订单分析和会员分析，需要做增量更新的记录则不合适，就几万条记录需要更新，但是把上亿级别的表删除在重建绝对是有问题的
问题：HDFS 同步有24小时的时间差，这期间线上的订单和会员信息已经发生了百万级别甚至更多的变化，而Hadoop集群却没法及时的同步，从Hive出去的报表也不会包含这个空档期间的数据，准确性和实时性有待提高
解决方案 引入Tidb 分布式NewSql解决方案，或是Hbase这类读写和更新更有好的分布式方案，下一步准备先接入Tidb
问题：hive 查询慢，rest api 查询不友好，根据我之前提过的架构原则，适合和简单原则，hive查询慢并不是阻碍我实现业务的主要障碍，慢一些不会有太大关系，但是之前说的数据的增量更新和热数据的实时查询，并配合后续的实时数据流模块，作为流方案的数据落地方案

数据平台2.0Lambda架构，离线批处理和实时流方案结合：

关于大数据3中架构模式的补充

Lambda架构：

Kappa架构：

　　　　　　　　　　图片来源：https://blog.csdn.net/Post_Yuan/article/details/52241252

未来的展望，去ETL化的IOTA：

核心是边缘计算，前两个没啥好让人兴奋的反而是边缘计算，让人兴奋，流量剧增，单靠数据局中心肯定会不是一个明智的决定，数据中心的压力会越来越大，期间的高可用，弹性，容错，一致性要求更高，届时数据的规模会倒逼架构走边缘计算的模式，而当下分布式去中心话的计算也是颠覆性的势头

原来由数据中心完成的ETL任务交由业务终端完成，数据中心接受统一格式的CommonModel,大幅度减轻数据中心的ETL, 这种方式固然美好，但是咱们的产品，用户，市场策略是不断变化的，你不知道突然之间要不要换一种什么策略去度量整个产品数据，尽可能的完全的收集，尽可能多的收集没毛病，就像当初的google爬去网页建立自己的索引，后续不断优化自己的搜索算法，而雅虎只是实时爬去后没有存储快照，整个算法调整没有数据的支撑是很难的，当然也是我自己的臆测，到底有去ETL化我不敢肯定，但是去中心化的边缘计算要给1024个赞！