闲侃数仓优化-大数据治理和优化

前言

写标题的时候是2021-07-04 22:22，在那之前我以前一直是想琢磨怎么去扯数仓优化这玩意好点，总是觉得应该来个万字长文啥的才写下来，现在不那样折腾了，想到啥就写点啥，大不了未来再多搞几篇就是了。

为啥数仓需要优化

这个问题其实在不同的人看是不一样的

人员	视角
高层领导	成本过高
业务	产出慢,无法支撑业务
bi	乱七八糟的，不知道用啥表
开发人员	这玩意性能不行
数仓人员	一样的数据多套，关键还是错的
运维同学	这个配置不大对,改改会更快

这个问题其实是不同角色关注点不同，但是核心诉求都是简洁、高效、低能耗！！从不同视角我来扯一扯数仓的优化策略。

人员优化

人多力量大，人多路子野，其实这个是重中之重，一方面需要大量招人，一方面需要高手，不要吝啬钱财，事实上大数据的优化人员成本带来的收益绝对是划算的，这点不管任何时候都是需要引起重视的。

调度优化

我这里的调度优化主要是作业调度系统的优化，事实上，在hadoop不流行的时代，离线批量处理就一直是软件系统领域的重要一环，调度的需求也随着时代在发展，由原有的定时天调度，到后来的准实时，分钟，甚至的实时调度，一直在备受挑战着。更有甚者，包括处理线上漂移，财务日切等一系列的强业务的需求不断提出，传统的定时调度其实远远满足不了当下的需求了，当然常用的掉度优化也有几个：

高频作业准实时化

频繁调度容易带来的任务积压其实是比较严重的，常用的手段直接cache中间数据，采用一些类似sts数据常驻内存的手段，直接构造成准实时化的作业，加快效率。

作业优先定级

这个话题可能看起来比较简单，作业不都是有优先级么，事实上，作业是否真正需要高优先级是需要商榷的，所有的业务都会说自己的任务是高优先级，这种时候分不出谁才是大哥了。这里立足一点就是从调度层面去核实作业的优先情况，具体来说主要是以下的手段：
1.下游节点多的应当提前执行，一有资源就优先调度
2.高优先级、低消耗优先调度
3.高频作业按业务量降频
4.高延时高消耗作业延后
5.固定表剔除调度，例如固定维表，不需要调度
6.日切漂移节点统一根入口，不需要挂多个
正常状态下资源充足肯定没问题，调度的调整主要在高峰的时候，我们追求一个合理的状态，一般来说一个调度平台的作业都是上万甚至几十万的，必然所谓的高优先级很多，这种时候就需要去进行打标识别了，再进行优先分配。

作业健身

作业健身其实就是任务优化，用一些技术手段加快任务，这个话题其实很多都可以做，这里总结一些比较常见的手段：

历史数据分离

在大数据发展的过程，业务也是不断发展，在初期引入大数据的时候，大部分数据都是全量存储，一天一个快照的，积累了一定程度的时候，发现很多核心的表，数据都是全量扫描，消耗大量的资源。实际的业务其实就是关注一段时间，甚至一天的数据浪费大量的资源，只要找到时间条件，从在集团的公共数据层面做剥离，可以带来巨大的收益。

冷热数据分离

数据其实是访问频率不一样，尤其是出现的越来越高频的线上调度，这种时候带来大量资源消耗不说，而且容易造成rpc请求热点，整个集群都受影响；另一方面，大量数据抽取到集群中实际上很多数据很低频率访问的，这种时候我们按照hdfs 3倍5倍副本存储就不合适了，一般就是 高频读取数据Cache，或者用ssd等介质存储，低频的则走一个极限压缩就行。

谓词下推有效化等价汰换

谓词下推其实是引擎的一些手段，hive、spark、presto其实都有这类的操作，一方面我们可以直接获益。我们的优化目的是为了更加完善。首先，我们为了让引擎生效，需要经历使用简单条件，例如直接udf<=和var<=情况可能就不一样，其次，现代列式的存储例如orc会为文件做索引元数据的操作，可以直接下推到文件层级，但是有些复杂类型，其实就效果不好了，尽量把数据类型简单化。数字类型的不要定义成字符串，不光是下推需要生效，更加是计算上面需要准确。

小表广播

小表广播主要有两层含义：小表自动广播、拆分小表逻辑 。一方面广播带来的效益其实是非常巨大，另一方面，我们广播的配置是有限制的，默认64M的样子，但是100M左右的广播也是可以的，需要自己调整广播阈值。如果类似join的操作，我们如果可以拆分成广播其实也是可以的。

增量计算

增量计算有两大好处：提前调度+减少merge成本，我们实际很多数据都是全量，增量计算带来的计算一方面可以依赖的ODS是提前很多的，另一反面资源会小很多。但是需要把计算调整为增量。具体来说也是两大类：
合并类=当天变化数据+昨日未变化的数据

select key1,col1,col2
from delta 
union all
select  key1,col1,col2 from yesterday
 x left anti join delta y
on x.key1=y.key1;

聚合类=当天数据变化聚合值+昨日的历史值

select key1,index1+index_t as index1 from (
select key1,sum(col1) as 
from delta  group by key1
) x left outer join
(   
    select  key1,index1 from yesterday
) y on x.key1=y.key2;

Bucket对齐

这个主要有几大好处：
合理分桶=>索引，分桶合理的话数据会安装指定的key进行均匀的分布，在存储和读写性能都有很好的提升；
Shuffle 复用，一般是指上游产出的数据给下游使用可以加快下游，如果下游复用多的话节省的资源也是非常大；
粒度对齐=>remove shuffle，在做group by，row_number这种操作以及join操作都有机会不走shuffle，这种情况下带来的优化其实是非常爆炸的。

数据倾斜

数据倾斜其实是很基础的话题，基本现在做大数据的面试必考的，主要原因就是大数据技术一出现其实就受这个问题困扰，不管从组件，还是etl处理都不断在探索方案，常用的方式我也总结如下
过滤倾斜数据：热点的key，例如流量处理时候很多空字符串，或者其他乱七八糟的数据，直接过滤就可以解决倾斜问题；
倾斜部分数据单独运算：和其他部分结果union：其实是直接把倾斜的部分单独运算，剩下的数据就不再倾斜了；
小表join广播
倾斜数据分组，减少倾斜度
AE：这个其实是自适应的一种做法，在新出的引擎会动态采集元数据判断下一个stage需要怎样处理，是一种优化的手段。

拓扑优化(数仓优化)

数仓优化自然是做数据的人做的，etl链路历史上都是无序扩张的情况，这种时候需要规范统一建模手段去进行重构，数仓优化主要有以下手段：
高内聚、低耦合实现数据复用
路径缩短，简化链路
DWD/DWS/ADM建设，数仓的目的
数据加工复用、指标口径统一这个带来的是业务价值
快慢链路，是常用手段，兼顾实效和数据覆盖的方式
维度建模，数仓的方法论
拉链式存储，其实是常用降低存储的手段
中间过程视图化，减少计算，一步到位

后记

大数据优化的手段其实还有很多，从大数据发展的历程来看，这些方法其实是遇到了问题再提出解决方案，总归来说问题很多，但是办法总归是有的。我们的大数据还在往前不断发展，涉及到提炼，加工、以及使用，未来数据量其实还会更加庞大，我们的方式还会受到挑战，到那时我们如何去应对又会是一个新话题了！！