目前遇到的痛点
目前的数据部门从组织架构,从个人的负责的方向,处理的任务上,基于现在的数据架构,以及数仓的建设,看起来比较合理,但是也存在非常大的问题。
目前的数据架构是从客户端上报数据,通过logserver输出到kafka,这时分为了两步取走,第一步通过flink任务,将数据写到hdfs上,然后将数据通过add partition的方式添加到hive里面。第二步是通过flink实时任务,将数据写到CK,或者其他的kakfa做一些开发。这个链路存在哪些问题呢?
- 数据的质量
如何保证实时数据和离线数据是一致的。在开发中如果两个数据出现不一致的情况下需要费人力去修复数据。或者是新增了指标后如果发现不对,需要回滚任务,对下游的影响很大。
- 数据的落地成本
通过一些列的链路将数据存储在hive中,需要用到flink团队开发很多的flink任务,以及调度任务将partition加到hive中。人力成本高,而且会存在小文件问题。
- 数据的时间成本
整个的数据流程的延迟可能在2个小时或者三个小时,才能到数仓的ODS层。然后数仓在去跑自己的任务,真正让用户用上,只能是昨天的数据,或者是6-12小时前的数据。延迟性很差,只能是通过ck进行简单的分
析,不能在线分析,在线机器学习。
上面写了一些链路上的问题,那么我们在使用中有哪些问题呢。
- 不能支持事务
- 不能并发读写,我在写数据的时候会报file not found 异常
- 不支持更新 update delete操作,有些脏数据我想手动更新只能是重跑整个分区或者整个表。
- 不支持基于历史数据的查询
全新的架构
如下图所示
我们直接通过spark任务将数据存放在 Delta中。
Delta架构可以轻松解决掉上面的问题
- 支持事务,并发读写。
- 批流合并
- 低延迟,高可用
- 支持数据回滚,支持历史数据根据版本/时间戳查询,及时数据更新了,还能查到历史数据
什么是Delta
我理解下来,可以将Delta看做是一种存储方式,类似于parquet,通过这种存储,实现了支持事务,并发读写,支持数据回滚,版本查询等高级特性。
Delta 可以替换掉传统数仓吗
Delta只是一种存储方式,可以保证数据的高可用,并不能替换到数仓人员,只是可以将HIVE这个工具替换掉。需要将传统的lamda架构的思想扔掉。但是传统ETL模式还在。
因为将ODS数据存储在Delta中,并不能非常清晰的提供给分析师来用,这种数据在Delta中被称为Bronze,需要进行数据的加工,细化,升级为silver/gold的数据。也就是类比于数仓中的
ods/dm/dw分层的概念,这些传统概念还在,所以不能替换掉数仓。还是需要进行数据的加工,这是在加工的过程中,我可以更加专注于数据,而不是生产数据的过程。
Delta的缺点
- 只能通过spark运行。
- 对于SQL的支持不够完善,大部分功能还是通过API
我们要用会遇到哪些问题
首先我们要把现在的架构去掉。包括数据传输,数据仓库中的数据,包括数仓开发的表,当然这是很大概念,所以我们需要先从一个topic开始,建立Delta的表,创建Delta的数仓。进行和目前线上的对比
这时就会遇到一些问题:
- Spark的任务,需要平台维护。
- 元数据需要重构。
能够带来哪些收益
未知。。
后记
如果只是将一张数仓加工的dw/dm的parquet存的表,修改为delta的话,其实也可以。能够保证此表支持acid,支持历史数据查询,对一些不紧急不重要并且数据很大的可以尝试。