基于FLINK搭建实时数仓技术调研

基于FLINK搭建实时数仓技术调研

____数据仓库(DATA WAREHOUSE)，是做大数据基本都会去涉及的项目。简单来说，数仓是数据结构化存储和查询，并利用分布式计算引擎进行计算得到业务需要的指标，以支持企业商业智能，通过充分挖掘数据价值，形成数据资产。
____传统的数据仓库偏离线处理，通过定时调度实现数据的ETL，指标的更新依赖于调度的频率，常见于T+1场景。对于时效性要求较高的指标，则依赖于OLAP系统实现数据实时加工和查询，市面上常用的OLAP数据库有：Kylin、Druid.io、ClickHouse、Greenpulm、DorisDB、Es等，目前公司采用的OLAP技术方案为：kafka+flink+druid.io。
____但是随着业务的发展，OLAP系统里的数据表越来越多，统计SQL和指标数量成爆炸式增长，以前很清晰的建表方式也越来越模糊。为系统化的对实时指标进行管理，个人调研了数仓的方式，针对OLAP中的表进行ODS、DWD、DWS、ADS维度建模。同时个人采用了OLTP数据库，通过OLTP和OLAP的结合，实现指标分钟级、秒级更新，同时保留较强的实时分析能力。具体方式如下：

确定适合的OLTP数据库

个人对OLTP数据库的技术选型考虑点如下：

1. 支持SQL，能满足数仓建模需要
2. 满足ACID特性，数据要么写失败要么写成功，成功后立即可查
3. 具有CDC机制，以实现数据增量订阅并触发实时计算
4. 读写性能满足大数据量场景

经筛选，目前Newsql数据库比较符合需要，例如tidb和cockroachdb等。tidb很强大，支持HTAP，直接搞定OLTP和OLAP，但是由于目前公司已实现OLAP流程，故考虑采用cockroachdb这样的OLTP数据库就行。

结合OLTP和OLAP的实时数仓架构

按照维度建模理论，架构如下：

说明: 数据处理和管道使用flink，没啥说的。存储ODS层支持OLTP数据库、OLAP数据库、kafka，具体咋存按使用需要。DWS层的维表、大宽表通过管道同步至OLAP数据库，然后可以在OLAP上用统计SQL查询需要的指标，这充分利用了OLAP数据库的分析能力，同时部分指标存储在ADS层以支持秒级更新。

实时数仓ETL流程

利用OLTP数据库CDC机制，etl流程也比较简单：

说明: 一个完整ETL任务最多需要运行4个flink job，每个flink job只需要关心从kafka上读，并写入OLTP数据库就行，比较简单。这里的source需要实现DynamicTableSource, sink需要实现JdbcUpsertTableSink.

总结

经过1个月的技术调研和测试环境运行测试，目前实时数仓已正式上线使用，在满足指标实时更新的同时，也保留传统数仓建模的方式。剩下的就是原统计SQL和指标的环境迁移了^^!