数仓架构概览

离线数仓

离线数仓是一种用于存储和处理大规模历史数据的架构。它的目标主要是支持复杂分析和数据挖掘任务，通常以批处理的方式进行数据处理。离线数仓的主要特点包括以下几点：

• 1）数据积累和历史分析
  离线数仓主要用于存储历史数据，这些数据可以是从多个源头采集而来，经过ETL（清洗、转换和加载）后存储在数仓中，这些数据被用于支持复杂的数据分析、业务报表和决策支持，数据延迟基本都是T+1形式。
• 2 周期性批处理
  离线数仓中的数据主要是按照批处理的方式，通过一定时间周期（如每日、每周）去加载和处理。
• 3）复杂查询和分析
  离线数仓可以连接不同的数据集，也可以跨多个维度执行聚合，排序等操作。通过复杂的查询和分析，可以展示出历史数据的变化趋势和价值数据的提取等。

实时数仓

实时数仓是一种用于存储和处理实时数据流的架构。它的主要目标是支持快速的实时数据分析、监控和反馈。实时数仓的特点包括：

• 1） 实时数据流处理
  实时数仓通过数据流式处理技术，可以实时地处理来自各种源头的数据流，允许数据在进入系统后立即被处理和分析。这些数据可以是日志数据、业务交易数据和传感数据等。
• 2）低延迟处理
  实时数仓更加注重数据处理的低延迟性，在确保数据进入系统后，希望以很快的速度对数据进行分析处理。
• 3）快速查询和分析
  通过这种低延迟的方式对数据进行快速处理和分析，使得用户能够及时地探索数据，发现实时趋势和异常。

离线数仓和实时数仓在功能定位和使用场景上有较大区别，选择使用哪种架构取决于业务需求、数据的时效性要求和技术架构的能力等。

数仓架构演进

1 传统数仓架构

结构或半结构化数据通过离线ETL定期加载到离线数仓，之后通过计算引擎取得结果，供前端使用。采用大数据技术来承载存储与计算任务。

2 Lambda架构

3 Kappa架构

Kappa架构是大数据领域以流处理为主的主流实时数据分析架构之一，主要包含三部分：批处理层、流处理层和服务层，其核心思想是将数据分为冷热数据两类，冷数据走批处理层，热数据层走流处理层，但只使用一个数据处理管道来处理所有数据流。

优势：

• 适用于大规模、复杂的数据处理任务，具有高扩展性、高容错性和高性能等优点。
• 优化了Lambda架构，不需要将流批处理逻辑分离；

缺点：

• 数仓中只存储了处理计算后的结果，数据溯源难度大；
• 对集群计算资源要求高；

4 混合架构

上述架构各有其适应场景，有时需要综合使用上述架构组合满足实际需求。当然这也必将带来架构的复杂度。用户应根据自身需求，有所取舍。在一般大多数场景下，是可以使用单一架构解决问题。现在很多产品在流批一体、海量、实时性方面也有非常好的表现，可以考虑这种“全能手”解决问题。

实时数仓架构

1 建设思路

**计算框架选型：**storm/flink等实时计算框架，强烈推荐flink，其『批量合一』的特性及活跃的开源社区，有逐渐替代spark的趋势。

**数据存储选型：**首要考虑查询效率，其次是插入、更新等问题，可选择apache druid，不过在数据更新上存在缺陷，选型时注意该问题频繁更新的数据建议不要采用该方案。当然存储这块需要具体问题具体分析，不同场景下hbase、starRocks和doris、paimon等都是可选项。

**实时数仓分层：**为更好的统一管理数据，实时数仓可采用离线数仓的数据模型进行分层处理，可以分为实时明细层写入doris等查询效率高的存储方便下游使用；轻度汇总层对数据进行汇总分析后供下游使用。

**数据流转方案：**实时数仓的数据来源可以为kafka消息队列，这样可以做到队列中的数据即可以写入数据湖用于批量分析，也可以实时处理，下游可以写入数据集市供业务使。

2 建设方案

##2.1 基于Kafka构建实时数仓
利用Kafka构建实时数仓也是目前业界比较流行的实时数仓架构之一。主要特点是在Kafka中进行数仓分层设计，所有数据都在Kafka的不同topic之间流转。

优势：

• 时效性高，能够快速分析出数据的变化趋势，满足实时要求；
• 符合数仓基本建设规范，分层明确，数据结构清晰

劣势：

• Kafka自身定位是一个缓冲管道，基于Kafka构建实时数仓不太符合规范；
• Kafka日志数据都具有一定时效性，数据可能会丢失；
• 当数据量过大时，数据溯源难度成几何增长；
• 需要较多的计算资源；

2.2 基于数据湖构建实时数仓

数据湖是一种存储架构，它使用分布式文件系统（如Hadoop HDFS）或对象存储（如Amazon S3）来存储各种类型和格式的原始数据，无论是结构化、半结构化还是非结构化数据。它支持存储大量的原始数据，无需事先定义数据模型或架构，这使得数据湖成为一个集中存储所有类型数据的地方。利用数据湖构建实时数仓和利用Kafka构建基本逻辑是一致的，只不过是数据存储介质发生了一些区别。

优势：

• 灵活性高，可以根据自己需求选定存储介质和计算引擎；
• 符合数仓基本建设规范，分层明确，数据结构清晰；
• 真正实现了流批一体计算；
• 数据湖产品多（iceberg,hudi,kudu），可以有多种选择方案;

劣势：

• 在处理大规模数据时需要大量的存储和计算资源；
• 构建和管理数据湖需要一系列不同的技术和工具，需要具备相应的技术能力和知识；

2.3 基于Doris构建实时数仓

Apache Doris 是一个基于 MPP 架构的高性能、实时的分析型数据库，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也能支持高吞吐的复杂分析场景。Apache Doris 能够较好的满足报表分析、即席查询、统一数仓构建、数据湖联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB 实验平台、日志检索分析、用户画像分析、订单分析等应用。

Apache Doris 在 360 数科实时数仓中的应用

Apache Doris 2.0.0 版本正式发布：盲测性能 10 倍提升，更统一多样的极速分析体验

2.4 流式湖仓 Flink + Paimon

流计算迎来代际变革：流式湖仓 Flink + Paimon 加速落地、Flink CDC 重磅升级

部分图片来自网络，@码猿小站，侵删。