漫画趣解Flink实时数仓 _实时

赋料扬雄敌，诗看子建亲。这篇文章主要讲述漫画趣解Flink实时数仓相关的知识，希望能为你提供帮助。
我是Flink，最近我抑郁了~
1 搬橡果的小故事马上过冬了，我和小伙伴灰灰开始屯年货。
今年劳动了大半年，我们收获了整整一车的橡果。众所周知，我们小松鼠们都喜欢把这些心爱的橡果放到储藏室。
于是今天起了个大早，开始搬运这些橡果。
【漫画趣解Flink实时数仓】

文章图片

不一会，灰灰突然对我说想要吃一颗昨天摘的灰色小橡果。

文章图片

我望了望眼前堆积如山的年货，苦恼的摸了摸脑袋：等我搬到了那颗再给你。

文章图片

灰灰很不开心，嘴里嘟囔着：为啥昨天不能一摘下来我们就搬呢?
我解释道: 我们每年都是攒够一车才一起搬的呀？

文章图片

看着一边气鼓鼓的灰灰，我放缓了搬运的速度~
抬头望着高高的橡果堆叹了口气。一边搬运，一边翻找他要的那颗小橡果。。。

文章图片

今天怕是搬不完了~
2 慢 OR 快？总结下，在故事中我们遇到了几个小烦恼：

每次都是攒了整车橡果才开始搬运，无法及时拿到想要的灰色小橡果
就算我实时搬运。之后再要其他小橡果，我还是不能快速找到，完全记不住之前拿过哪些？放到了哪里？

借由这个小故事，回归到本文主题。
这些关键词也是企业实时数仓建设中常遇到的一些难点和诉求。
2.1 企业实时数仓建设诉求
大多数企业面临数据源多、结构复杂的问题，为了更好的管理数据和赋能价值，常常会在集团、部门内进行数仓建设。
其中一般初期的数仓开发流程大致如下:

获取数据源，进行数据清洗、扩维、加工，最终输出业务指标
根据不同业务，重复进行上述流程开发，即烟囱式开发。

文章图片

可想而知，随着业务需求的不断增多，这种烟囱式的开发模式会暴露很多问题:

代码耦合度高
重复开发
资源成本高
监控难

为此大量企业的数据团队开始着手数仓规划，对数据进行分层。

文章图片

数据规整为层级存储，每层独立加工。整体遵循由下向上建设思想，最大化数据赋能。

数据源: 分为日志数据和业务数据两大类，包括结构化和非结构化数据。
数仓类型：根据及时性分为离线数仓和实时数仓
技术栈:
- 采集(Sqoop、Flume、CDC)
- 存储(Hive、Hbase、mysql、Kafka、数据湖)
- 加工(Hive、Spark、Flink)
- OLAP查询(Kylin、Clickhous、ES、Dorisdb)等。

2.2 稳定的离线数仓
早期规划中，在数据实时性要求不高的前提下，基本一开始都会选择建设离线数仓。

文章图片

1）技术实现

使用Hive作为数据存储、计算技术栈
编写数据同步脚本，抽取数据到Hive的ODS层中
在Hive中完成dwd清洗加工、维度建模和dws汇总、主题建模
依赖调度工具(dophinScheduler)自动 T+1调度
olap引擎查询分析、报表展示

2）优缺点

配合调度工具，能够自动化实现T+1的数据采集、加工等全流程处理。技术栈简单易操作
Hive存储性能高、适合交互式查询
计算速度受Hive自身限制，可能因参数和数据分布等差异造成不同程度的数据延迟

3）改良
既然我们知道了Hive的运算速度比较慢，但是又不想放弃其高效的存储和查询功能。
那我们试试换一种计算引擎: Spark。

文章图片

整体流程不变，主要是在ods-> dwd-> dws层的数据加工由Spark负责。效果是显而易见的，比Hive计算快了不少。
目前两种离线数仓均完美的实现了业务需求。领导第二天一看报表统计，结果皆大欢喜~
现在考虑换一种场景：不想等到第二天才能看到结果，要求实时展示指标，此时需要建设实时数仓。
3 冗余 OR 回溯？既然要求达到实时效果，首先考虑优化加工计算过程。因此需要替换Spark，使用Flink计算引擎。
在技术实现方面，业内常用的实时数仓架构分为两种：Lambda架构和Kappa架构。
3.1 Lambda架构
顾名思义，Lambda架构保留实时、离线两条处理流程，即最终会同时构建实时数仓和离线数仓。

文章图片

1）技术实现

使用Flink和Kafka、Hive为主要技术栈
实时技术流程。通过实时采集程序同步数据到Kafka消息队列
Flink实时读取Kafka数据，回写到kafka ods贴源层topic
Flink实时读取Kafka的ods层数据，进行实时清洗和加工，结果写入到kafka dwd明细层topic
同样的步骤，Flink读取dwd层数据写入到kafka dws汇总层topic
离线技术流程和前面章节一致
实时olap引擎查询分析、报表展示

2）优缺点

两套技术流程，全面保障实时性和历史数据完整性
同时维护两套技术架构，维护成本高，技术难度大
相同数据源处理两次且存储两次，产生大量数据冗余和操作重复
容易产生数据不一致问题

3）改良
针对相同数据源被处理两次这个点，对上面的Lambda架构进行改良。

文章图片

通过将实时技术流的每一层计算结果定时刷新到离线数仓中，数据源读取唯一。大幅减少了数据的重复计算，加快了程序运行时间。
3.2 Kappa架构
为了解决上述模式下数据的冗余存储和计算的问题，同时降低技术架构复杂度，这里介绍另外一种模式: Kappa架构。

文章图片

1）技术实现

使用Flink和Kafka为主要技术栈
实时技术流和Lambda架构保持一致
不再进行离线数仓构建
实时olap引擎查询分析、报表展示

2）优缺点

单一实时数仓，强实时性，程序性能高
维护成本和技术栈复杂度远远低于Lambda架构
源头数据仅作为实时数据流被计算、存储，数据仅被处理一次。
数据回溯难。依赖Kafka存储，历史数据会丢失
olap查询难。Kafka需要引入其他对接工具实现olap查询，Kafka天生不适合olap分析。

总体而言，第一种Lambda架构虽然有诸多缺点，但是具备程序稳健性和数据完整性，因此在企业中用的会比较多。
相反Kappa架构用的比较少。因为Kappa架构仅使用Kafka作为存储组件，需要同时满足数据完整性和实时读写，这明显很难做到。
Kappa架构的实时数仓道路将何去何从？
4 新一代实时数仓我们明白，Kafka的定位是消息队列，可作为热点数据的缓存介质，对于数据查询和存储其实并不适合。
4.1 数据湖技术
近些年，随着数据湖技术的兴起，仿佛看到了一丝希望。

文章图片

目前市场上最流行的数据湖为三种: Delta、Apache Hudi和Apache Iceberg。
其中Delta和Apache Hudi对于多数计算引擎的支持度不够，特别是Delta完全是由Spark衍生而来，不支持Flink。
对于Iceberg，Flink是完全实现了对接机制。看看其具备的功能: