共计 2966 个字符，预计需要花费 8 分钟才能阅读完成。
酷家乐是群核科技旗下出名业务品牌，专一云设计零碎及三维内容制作的技术研发和利用，面向家居、房产、公装等全空间畛域，为企业级客户提供设计渲染、营销展现、生产施工、几何建模等场景的解决方案和服务。
酷家乐大数据技术团队负责酷家乐大数据体系框架的建设，撑持日常 BI 经营剖析、商业化数据产品、在线大小数据业务、人群画像等场景。 生产环境上应用 StarRocks 集群（10 x 物理机）替换了原有阿里云 ADB 集群和 EMR Presto 集群 ，在应用局部集群资源前提下，查问性能即可与 ADB 持平，Presto P95 的查问从秒级晋升到 500ms 级别。在实现等同剖析工作状况下，StarRocks 性价比是同类产品的两倍以上 。
StarRocks 一套集群对立了实时和离线的剖析场景，替换了多套零碎带来的零碎复杂性，简化了数据 ETL 流程，同时大幅晋升 Adhoc 场景查问效率。
本文次要侧重于酷家乐大数据团队基于新一代极速 MPP 剖析型数据库 StarRocks，在数据服务体系和数据利用场景中的实际和摸索。
“作者：弋舟，
大数据技术专家，酷家乐大数据团队负责人，坐标杭州”
数据引擎现状
随着业务规模越来越大，数据规模和体量也急剧收缩。企业的原始数据通常来源于日志埋点文件、业务数据库、三方接口等。企业通常基于 CDH/Hadoop 等大数据分布式计算框架和数据集成工具，构建离线的数据仓库，并对数据进行适当的分层、建模、加工和治理。
但下层数据利用对查问的数据存储、时效性要求高，数据最终会通过数据同步工具回流到 MySQL、ElasticSearch、Presto、HBase 等关系型数据库 /MPP 数据库中。
酷家乐大数据体系积淀了诸多主题数据，例如：C 端用户行为流量数据，B 端用户账号等应用数据，行业报告相干的数据等。
因为数据收缩，尤其是酷家乐设计工具应用场景下产生的模型 / 计划 / 渲染应用明细数据，离线实时计算工作须要对 TB 级别的数据进行调度、聚合、计算，在数仓里积淀出大量明细表、聚合表和最终的数据报表。
数据服务层的愿景是凋谢数仓能力，建设对立的数据服务进口，针对不同的查数场景（数据规模、QPS、UDF 反对、运维老本等），在底层引擎上的选型：
- 大数据量、低 QPS：应用 Hive + Presto 等基于 Hadoop 生态的离线批工作计算框架和 MPP 数据库来解决。
- 小数据量、高 QPS：应用 MySQL、ElasticSearch、HBase、MongoDB 等关系型 / 非关系型 TP 数据库来解决。
在目前的数据架构下，咱们遇到如下问题和挑战：
- 离线 / 实时 ETL 工作过多，解决逻辑大部分为简略聚合 / 去重，导致聚合表数量宏大，导致经营和运维上的成本增加；
- 针对中等数据量、中等 QPS 的查问场景，如何能兼顾数据规模的同时，有较敌对的查问的耗时响应，耗时小于 200ms；
- 大数据量下插入、更新的实时数据场景的反对，例如：用户画像、实时 DMP、用户门路、监控数据大盘等。
新引擎的引入
针对如上的问题和挑战，咱们的指标是寻求尽可能少的 ROLAP 引擎，利用在明细表上现场计算来解决 ETL 工作、数仓表过多问题，同时须要兼顾在数据规模、查问 QPS、响应耗时、查问场景方面的衡量。
目前市面上 ROLAP 引擎百花齐放，诸如 Impala、Druid、ClickHouse、StarRocks。通过一番调研，咱们最终抉择了 StarRocks。StarRocks 是基于 MPP 架构的剖析型数据库，自带数据存储，整合了大数据框架的劣势，反对主键更新、反对现代化物化视图、反对高并发和高吞吐的即席查问等诸多长处，人造能解决咱们上述的问题。
利用实际
StarRocks 上生产环境次要作为离线 / 实时数据的 ROLAP 数据库应用。离线数据次要存储于 ODPS，通过 DataX 工作批量同步数据，实时数据次要存储于 Kafka 中，基于 Kafka 的流式解决工作写入。DataX 工作和 Flink 工作对立写 Doris Proxy 服务，由代理控制器通过 HTTP Stream Load 的形式控制数据写入周期和批次大小。基于 StarRocks 重构原有剖析平台对数仓内现有存在痛点数据业务进行梳理：
- 每日的数据增量在上亿规模的超大明细表，须要统计日、周、月、季、年等统计数据；
- 商家账号应用、模型应用、计划渲染在任意日期区间的聚合值、累计值、去重值。
这些需要在前端查问，都须要保障低提早。在没有引入 StarRocks 之前，咱们应用的底层引擎是 MySQL 或者 Presto on HDFS 存贮存明细表 / 聚合表进行查问。MySQL 解决上亿规模的数据，无论应用分库分表、分区表、集群化部署的 PolarDB 计划，都会存在慢查问、数据库扛不住、运维艰难的困境；Presto on HDFS 的计划更偏差于剖析型数据业务，尽管能存储海量的数据，计算能力不错，惟一致命的在于无奈满足在线业务的高吞吐 QPS，查问比拟难做到毫秒级。引入 StarRocks 带来的业务成果如下：
- 撑持了在线数据查问 + 数据分析业务，服务于对内经营 + 对外商业化数据产品，在线业务查问 P95 耗时在毫秒级别，剖析型业务查问 P95 耗时在秒级别；
- 反对 10 亿规模的明细表查问，月、季、年度统计数据现场算聚合统计、去重，查问耗时能管制在 500ms；
- 千万级别的多表的 join 和 union 查问，通过 Colocate Join 个性优化，查问响应在秒级。
实时链路的摸索
在摸索实时数据链路计划时候，咱们次要思考到了 StarRocks 的如下劣势：
- 实时写入性能：目前 StarRocks 反对 HTTP Stream Load 自定义的分钟级别微批写入和 Kafka To StarRocks 的秒级提早，齐全能满足 T + m 实时数据业务；
- 对立离线和实时剖析：实时数据和离线数据更好的在 StarRocks 中进行交融，灵便撑持利用，数据存储策略通过 StarRocks 动静分区的性能进行清理；
- SQL Online Serving：高效的 SQL 即席查问能力，可能兼容业界风行的 SQL 标准，撑持业务灵便简单的拜访，进步取数开发的效率。
总结和布局
酷家乐大数据团队引入 StarRocks 生产集群，解决了数据服务层单表亿级别规模、高 QPS 数据场景下引擎的空白，间接凋谢明细表准实时查问的能力，给下层数据业务和 BI 零碎提供了更多的抉择和自由度，同时将大大减少数仓中大量 ETL 工作、聚合表、报表，升高了数仓 ETL 的运维压力和保护老本。将来的咱们在 StarRocks 的利用和实际上还有不少布局：
- 除了 unique 和 duplicate 数据模型，将来会将合乎的数据场景迁徙至 aggregation 模型和物化视图表，进一步升高数仓开发保护老本，升高查问提早；
- StarRocks on ES 的性能值得咱们深挖和摸索，解决了原生 ES 集群无奈反对跨索引 join 的能力；
- 更多数据应用层的场景接入 StarRocks，例如人群更新、用户画像服务、用户行为路径分析等，将进一步拓展 StarRocks 在实时数据写入、批量数据更新场景中的利用；
- 和酷家乐数据集成平台、数仓平台深度买通，欠缺监控体，作为大数据团队的基础设施去保障稳定性和服务；
- 思考应用多云架构，自主可控的数仓架构能够灵便的在多云间切换迁徙，升高繁多来云厂商的依赖，管制老本进步可用性。
- ……
最初的最初，感激 StarRocks 技术团队给予的激情、靠谱的答疑解惑和技术支持！！！