基于阿里云产品和开源Hudi结合
本人最近对公司内部数据技术架构做了梳理,梳理了当下的一些痛点。
1、离线线路,数据更新慢;实时线路,只针对部分场景,实时的成本比较大。
2、lambda的架构方式,针对数据源,实时方案和离线方案各会进行一次同步。
基于业界对于数据湖已经有很多的实践,而目前公司的技术体系为Maxcompute+阿里云flink的技术栈,由此针对该方案做了一些改动。
业界数据湖开源的产品主要以hudi/Iceberg/Delta,由于公司本身技术栈的限制,以及众多原因(不具体介绍),最后采用了hudi。方案图如下。
主要利用hudi的技术栈,依靠oss做数据存储,O表数据实时更新落到OSS上,基于阿里云的Maxcompute建立外部表,支持hive的离线方案,同时阿里云flink本身是内置支持hudi的。
方案测试:
1、目前源数据实时落OSS的,Maxcompute数据读取已经实现
2、flink基于hudi的路线也已经走通。
目前的场景倾向于用hudi做数仓O表
目前规划,flink基于hudi做实时数仓。
后续更新