基于Flink+ClickHouse打造輕量級點擊流實時數(shù)倉
前言
Flink和ClickHouse分別是實時計算和（近實時）OLAP領(lǐng)域的翹楚，也是近些年非?；鸨拈_源框架，很多大廠都在將兩者結(jié)合使用來構(gòu)建各種用途的實時平臺，效果很好。關(guān)于兩者的優(yōu)點就不再贅述，本文來簡單介紹筆者團(tuán)隊在點擊流實時數(shù)倉方面的一點實踐經(jīng)驗。
點擊流及其維度建模
所謂點擊流（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)。點擊流數(shù)據(jù)一般以訪問日志和埋點日志的形式存儲，其特點是量大、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200+GB、十億條左右的原始日志，埋點事件100+個，涉及50+個維度。
按照Kimball的維度建模理論，點擊流數(shù)倉遵循典型的星形模型，簡圖如下。
點擊流數(shù)倉分層設(shè)計
點擊流實時數(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)、補數(shù)等）。 DWS層：服務(wù)層，部分指標(biāo)通過Flink實時匯總至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引擎的強大之處。
要點與注意事項
Flink實時維度關(guān)聯(lián)
Flink框架的異步I/O機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)逐機制，避免頻繁請求MySQL庫。實時維度關(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?？焖僮兓S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通過隨機路由保證了各ClickHouse實例的負(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，就會丟失數(shù)據(jù)。為此我們設(shè)計了重試機制，重試次數(shù)和間隔均可配置，如果當(dāng)重試機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。
還有一點就是，ClickHouse并不支持事務(wù)，所以也不必費心考慮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（即Kafka的latest offset）開始消費，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，因為不存在類似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)點近似平衡之后再調(diào)整回來。但是這會造成明顯的熱點問題，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)點上建立與原表schema相同的新表，將實時數(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。
猜你喜歡
Hive計算最大連續(xù)登陸天數(shù)
Hadoop 數(shù)據(jù)遷移用法詳解
Hbase修復(fù)工具Hbck
數(shù)倉建模分層理論
一文搞懂Hive的數(shù)據(jù)存儲與壓縮
大數(shù)據(jù)組件重點學(xué)習(xí)這幾個