关于jquery:基于-Flink-ClickHouse-打造轻量级点击流实时数仓

2次阅读

共计 2340 个字符，预计需要花费 6 分钟才能阅读完成。

作者：LittleMagic

Flink 和 ClickHouse 别离是实时计算和（近实时）OLAP 畛域的翘楚，也是近些年十分火爆的开源框架，很多大厂都在将两者联合应用来构建各种用处的实时平台，成果很好。对于两者的长处就不再赘述，本文来简略介绍笔者团队在点击流实时数仓方面的一点实践经验。

所谓点击流（click stream），就是指用户拜访网站、App 等 Web 前端时在后端留下的轨迹数据，也是流量剖析（traffic analysis）和用户行为剖析（user behavior analysis）的根底。点击流数据个别以拜访日志和埋点日志的模式存储，其特点是量大、维度丰盛。以咱们一个中等体量的一般电商平台为例，每天产生约 200GB 左右、数十亿条的原始日志，埋点事件 100+ 个，波及 50+ 个维度。

依照 Kimball 的维度建模实践，点击流数仓遵循典型的星形模型，简图如下。

点击流实时数仓的分层设计依然能够借鉴传统数仓的计划，以扁平为上策，尽量减少数据传输中途的提早。简图如下。

DIM 层：维度层，MySQL 镜像库，存储所有维度数据。
ODS 层：贴源层，原始数据由 Flume 间接进入 Kafka 的对应 topic。
DWD 层：明细层，通过 Flink 将 Kafka 中数据进行必要的 ETL 与实时维度 join 操作，造成标准的明细数据，并写回 Kafka 以便上游与其余业务应用。再通过 Flink 将明细数据别离写入 ClickHouse 和 Hive 打成大宽表，前者作为查问与剖析的外围，后者作为备份和数据质量保证（对数、补数等）。
DWS 层：服务层，局部指标通过 Flink 实时汇总至 Redis，供大屏类业务应用。更多的指标则通过 ClickHouse 物化视图等机制周期性汇总，造成报表与页面热力求。特地地，局部明细数据也在此层凋谢，不便高级 BI 人员进行漏斗、留存、用户门路等灵便的 ad-hoc 查问，这些也是 ClickHouse 远超过其余 OLAP 引擎的弱小之处。

Flink 框架的异步 I/O 机制为用户在流式作业中拜访内部存储提供了很大的便当。针对咱们的状况，有以下三点须要留神：

应用异步 MySQL 客户端，如 Vert.x MySQL Client。
AsyncFunction 内增加内存缓存（如 Guava Cache、Caffeine 等），并设定正当的缓存驱赶机制，防止频繁申请 MySQL 库。
实时维度关联仅实用于迟缓变动维度，如地理位置信息、商品及分类信息等。疾速变动维度（如用户信息）则不太适宜打进宽表，咱们采纳 MySQL 表引擎将快变维度表间接映射到 ClickHouse 中，而 ClickHouse 反对异构查问，也可能撑持规模较小的维表 join 场景。将来则思考应用 MaterializedMySQL 引擎（以后仍未正式公布）将局部维度表通过 binlog 镜像到 ClickHouse。

能够通过 JDBC（flink-connector-jdbc）形式来间接写入 ClickHouse，但灵活性欠佳。好在 clickhouse-jdbc 我的项目提供了适配 ClickHouse 集群的 BalancedClickhouseDataSource 组件，咱们基于它设计了 Flink-ClickHouse Sink，要点有三：

写入本地表，而非分布式表，陈词滥调了。
按数据批次大小以及批次距离两个条件管制写入频率，在 part merge 压力和数据实时性两方面获得均衡。目前咱们采纳 10000 条的批次大小与 15 秒的距离，只有满足其一则触发写入。
BalancedClickhouseDataSource 通过随机路由保障了各 ClickHouse 实例的负载平衡，然而只是通过周期性 ping 来探活，并屏蔽掉以后不能拜访的实例，而没有故障转移——亦即一旦试图写入曾经失败的节点，就会失落数据。为此咱们设计了重试机制，重试次数和距离均可配置，如果当重试机会耗尽后依然无奈胜利写入，就将该批次数据转存至配置好的门路下，并报警要求及时查看与回填。

以后咱们仅实现了 DataStream API 格调的 Flink-ClickHouse Sink，随着 Flink 作业 SQL 化的大潮，在将来还打算实现 SQL 格调的 ClickHouse Sink，打磨强壮后会适时回馈给社区。另外，除了随机路由，咱们也打算退出轮询和 sharding key hash 等更灵便的路由形式。

还有一点就是，ClickHouse 并不反对事务，所以也不用费神思考 2PC Sink 等保障 exactly once 语义的操作。如果 Flink 到 ClickHouse 的链路呈现问题导致作业重启，作业会间接从最新的位点（即 Kafka 的 latest offset）开始生产，失落的数据再经由 Hive 进行回填即可。

ClickHouse 集群扩容之后，数据的重均衡（reshard）是一件麻烦事，因为不存在相似 HDFS Balancer 这种开箱即用的工具。一种比较简单粗犷的思路是批改 ClickHouse 配置文件中的 shard weight，使新退出的 shard 多写入数据，直到所有节点近似均衡之后再调整回来。然而这会造成显著的热点问题，并且仅对间接写入分布式表才无效，并不可取。

因而，咱们采纳了一种比拟波折的办法：将原表重命名，在所有节点上建设与原表 schema 雷同的新表，将实时数据写入新表，同时用 clickhouse-copier 工具将历史数据整体迁徙到新表上来，再删除原表。当然在迁徙期间，被重均衡的表是无奈提供服务的，依然不那么优雅。如果大佬们有更好的计划，欢送交换。

原文链接
本文为阿里云原创内容，未经容许不得转载。

正文完