未加星标

实践:大数据平台1.0总结和2.0演化路线

字体大小 | |
[大数据资讯 所属分类 大数据资讯 | 发布者 店小二05 | 时间 2018 | 作者 红领巾 ] 0人收藏点击收藏

  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:

实践:大数据平台1.0总结和2.0演化路线

  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:sweat:,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:

实践:大数据平台1.0总结和2.0演化路线

  关于大数据3中架构模式的补充

  Lambda架构:

实践:大数据平台1.0总结和2.0演化路线

  Kappa架构:

实践:大数据平台1.0总结和2.0演化路线

  ▲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!

实践:大数据平台1.0总结和2.0演化路线

实践:大数据平台1.0总结和2.0演化路线
tags: 架构,数据,日志,ETL,Hive,方案,hive,crontab,HDFS,数据中心,查询,平台,实时,分布式,删除
分页:12
转载请注明
本文标题:实践:大数据平台1.0总结和2.0演化路线
本站链接:http://www.codesec.net/view/577252.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 大数据资讯 | 评论(0) | 阅读(82)