Flink + Iceberg,百亿级实时数据入湖实战
摘要:本文整理自腾讯数据湖研发高级工程师陈俊杰在 4 月 17 日 上海站 Flink Meetup 分享的《百亿级实时数据入湖实战》。内容包括:
腾讯数据湖介绍
百亿级数据场景落地
未来规划
总结
Tips:点击文末「阅读原文」即可查看更多技术干货~
GitHub 地址
欢迎大家给 Flink 点赞送 star~
一、腾讯数据湖介绍
从上图可以看出来,整个平台比较大,包括了数据接入、上层的分析、中间的管理 (如任务管理,分析管理和引擎管理),再到最下层的 Table Format。
二、百亿级数据落地场景落地
1. 传统平台架构
如上图所示,过去的传统平台架构无非是两种,一种是 Lambda 架构,一种是 Kappa 架构:
Lambda 架构中,批和流是分开的,所以运维要有两套集群,一套是 For Spark/Hive,一套是 For Flink。这存在几个问题:
第一是运维的成本比较大;
第二是开发成本。例如在业务方面,一会要写 Spark,一会要写 Flink 或者 SQL,总体来说,开发成本对数据分析人员不是特别友好。
第二个是 Kappa 架构。其实就是消息队列,到底层的传输,再到后面去做一些分析。它的特点是比较快,基于 Kafka 有一定的实时性。
这两种架构各有利弊,最大的问题是存储可能会不统一,导致数据链路割裂。目前我们平台已经接入了 Iceberg,下面会根据不同场景,阐述遇到的问题及解决的过程。
2. 场景一: 手 Q 安全数据入湖
手机 QQ 安全数据入湖是一个非常典型的场景。
目前的业务场景是消息队列 TubeMQ 通过 Flink 落地成 ODS 到 Iceberg,然后再用 Flink 做一些用户表的关联,之后做成一个宽表去做一些查询,放到 COS 中,可能会在 BI 场景做一些分析。
这个过程看似平平无奇,但是要知道,手 Q 的用户关联维表为 28 亿,每天的消息队列是百亿级的,因此会面临一定的挑战。
■ 小文件挑战
1、Flink Writer 产生小文件
Flink 写入没有 shuffle,分发的数据无序,导致小文件多。
2、延迟要求高
checkpoint 间隔短,commit 间隔小,放大小文件问题。
3、小文件爆炸
几天时间元数据和数据的小文件同时爆炸,集群压力巨大。
4、合并小文件又放大问题
为了解决小文件问题,开 Action 进行小文件合并,结果产生更多文件。
5、来不及删数据
删除快照,删孤儿文件,但是扫描文件太多,namenode 压力巨大。
■ 解决方案
1、Flink 同步合并
增加小文件合并 Operators;
增加 Snapshot 自动清理机制。
1)snapshot.retain-last.nums
2)snapshot.retain-last.minutes
2、Spark 异步合并
增加后台服务进行小文件合并和孤儿文件删除;
增加小文件过滤逻辑,逐步删除小文件;
增加按分区合并逻辑,避免一次生成太多删除文件导致任务 OOM。
■ Flink 同步合并
把所有的 Data 文件 Commit 之后,会产生一个 Commit Result。我们会拿 Commit Result 生成一个压缩的任务,再给它并发成多个 Task Manager 去做 Rewrite 的工作,最终把结果 Commit 到 Iceberg 表里面。
当然,这里面的关键所在是 CompactTaskGenerator 怎么做。刚开始的时候我们想尽量地合并,于是去做表的 scan,把很多文件都扫一遍。然而它的表非常大,小文件非常多,一扫使得整个 Flink 立马挂掉。
我们想了个方法,每次合并完,增量地去扫数据。从上一个 Replace Operation 里面到现在做一个增量,看这中间又增了多少,哪些符合 Rewrite 的策略。
这里面其实有许多配置,去看达到了多少个 snapshot,或者达到了多少个文件可以去做合并,这些地方用户可以自己设置。当然,我们本身也设有默认值,从而保证用户无感知地使用这些功能。
■ Fanout Writer 的坑
在 Fanout Writer 时,如果数据量大可能会遇到多层分区。比如手 Q 的数据分省、分市;但分完之后还是很大,于是又分 bucket。此时每个 Task Manager 里可能分到很多分区,每个分区打开一个 Writer,Writer 就会非常的多,造成内存不足。
这里我们做了两件事情:
第一是 KeyBy 支持。根据用户设置的分区做 KeyBy 的动作,然后把相同分区的聚集在一个 Task Manager 中,这样它就不会打开那么多分区的 Writer。当然,这样的做法会带来一些性能上的损失。
第二是做 LRU Writer,在内存里面维持一个 Map。
3. 场景二:新闻平台索引分析
上方是基于 Iceberg 流批一体的新闻文章在线索引架构。左边是 Spark 采集 HDFS 上面的维表,右边是接入系统,采集以后会用 Flink 和维表做一个基于 Window 的 Join,然后写到索引流水表中。
■ 功能
准实时明细层;
实时流式消费;
流式 MERGE INTO;
多维分析;
离线分析。
■ 场景特点
上述场景有以下几个特点:
数量级:索引单表超千亿,单 batch 2000 万,日均千亿;
时延需求:端到端数据可见性分钟级;
数据源:全量、准实时增量、消息流;
消费方式:流式消费、批加载、点查、行更新、多维分析。
■ 挑战:MERGE INTO
有用户提出了 Merge Into 的需求,因此我们从三个方面进行了思考:
功能:将每个 batch join 后的流水表 Merge into 到实时索引表,供下游使用;
性能:下游对索引时效性要求高,需要考虑 merge into 能追上上游的 batch 消费窗口;
易用性:Table API?还是 Action API?又或是 SQL API?
■ 解决方案
第一步
参考 Delta Lake 设计 JoinRowProcessor;
利用 Iceberg 的 WAP 机制写临时快照。
第二步
可选择跳过 Cardinality-check;
写入时可以选择只 hash,不排序。
第三步
支持 DataframeAPI;
Spark 2.4 支持 SQL;
Spark 3.0 使用社区版本。
4. 场景三:广告数据分析
■ 广告数据主要有以下几个特点:
数量级:日均千亿 PB 数据,单条 2K;
数据源:SparkStreaming 增量入湖;
数据特点:标签不停增加,schema 不停变换;
使用方式:交互式查询分析。
■ 遇到的挑战与对应的解决方案:
挑战一:Schema 嵌套复杂,平铺后近万列,一写就 OOM。
解决方案:默认每个 Parquet Page Size 设置为 1M,需要根据 Executor 内存进行 Page Size 设置。
挑战二:30 天数据基本集群撑爆。
解决方案:提供 Action 进行生命周期管理,文档区分生命周期和数据生命周期。
挑战三:交互式查询。
解决方案:
1)column projection;
2)predicate push down。
三、未来规划
对于未来的规划主要分为内核侧与平台侧。
1. 内核侧
在未来,我们希望在内核侧有以下几点规划:
■ 更多的数据接入
增量入湖支持;
V2 Format 支持;
Row Identity 支持。
■ 更快的查询
索引支持;
Alloxio 加速层支持;
MOR 优化。
■ 更好的数据治理
数据治理 Action;
SQL Extension 支持;
更好的元数据管理。
2、平台侧
在平台侧我们有以下几点规划:
■ 数据治理服务化
元数据清理服务化;
数据治理服务化。
■ 增量入湖支持
Spark 消费 CDC 入湖;
Flink 消费 CDC 入湖。
■ 指标监控告警
写入数据指标;
小文件监控和告警。
四、总结
经过大量生产上的应用与实践,我们得到三方面的总结:
可用性:通过多个业务线的实战,确认 Iceberg 经得起日均百亿,甚至千亿的考验。
易用性:使用门槛比较高,需要做更多的工作才能让用户使用起来。
场景支持:目前支持的入湖场景 还没有 Hudi 多,增量读取这块也比较缺失,需要大家努力补齐。
另外~《Apache Flink-实时计算正当时》电子书重磅发布,本书将助您轻松 Get Apache Flink 1.13 版本最新特征,同时还包含知名厂商多场景 Flink 实战经验,学用一体,干货多多!快扫描下方二维码获取吧~
(本次为抢鲜版,正式版将于 7 月初上线)
更多 Flink 相关技术交流,可扫码加入社区钉钉大群~
▼ 关注「Flink 中文社区」,获取更多技术干货 ▼
戳我,立即报名!
Flink + Iceberg,百亿级实时数据入湖实战相关推荐
- Flink + Iceberg,腾讯百亿级实时数据入湖实战
简介:上海站 Flink Meetup 分享内容,腾讯数据湖的百亿级数据场景落地的案例分享. 本文整理自腾讯数据湖研发高级工程师陈俊杰在 4 月 17 日 上海站 Flink Meetup 分享的&l ...
- 【数据架构】Netflix 万亿级实时数据基础架构的四个创新阶段
我叫徐振中.我于 2015 年加入 Netflix,担任实时数据基础架构团队的创始工程师,后来领导了流处理引擎团队.我在 2010 年代初对实时数据产生了兴趣,从那时起我就相信还有很多价值有待发掘. ...
- Flink CDC 系列 - Flink CDC 如何简化实时数据入湖入仓
摘要:本文整理自伍翀 (云邪).徐榜江 (雪尽) 在 Flink Forward Asia 2021 的分享,该分享以 5 个章节详细介绍如何使用 Flink CDC 来简化实时数据的入湖入仓, 文章 ...
- [NewLife.XCode]分表分库(百亿级大数据存储)
NewLife.XCode是一个有15年历史的开源数据中间件,支持netcore/net45/net40,由新生命团队(2002~2019)开发完成并维护至今,以下简称XCode. 整个系列教程会大量 ...
- 百亿级实时消息推送的实战之道,与王者荣耀一班车就是这么稳!
要说现在市面上最火爆的手游,莫非拥有两亿注册用户的王者荣耀了.据悉,王者荣耀的渗透率高达22.3%,这意味着每7个中国人中就有一位是王者荣耀注册用户.众所周知,手游App对推送实时性和精准性要求非常高 ...
- 国网信通产业集团*IoTDB | 三平台管理百亿级累计数据,构建端边云全周期电力数据高效解决方案...
1 国网信通产业集团业务场景 国网信息通信产业集团有限公司(以下简称国网信通产业集团),是国家电网有限公司全资子公司,是中国能源行业主要的信息通信技术.产品及服务提供商,致力于能源行业的互联网建设和数 ...
- 百亿级图数据在快手安全情报的应用与挑战
本文首发于 Nebula Graph 公众号 NebulaGraphCommunity,Follow 看大厂图数据库技术实践. [作者介绍] 戚名钰:快手安全-移动安全组,主要负责快手安全情报平台的建 ...
- 让Elasticsearch飞起来!百亿级实时查询优化实战
最近的一个项目是风控过程数据实时统计分析和聚合的一个 OLAP 分析监控平台,日流量峰值在 10 到 12 亿上下,每年数据约 4000 亿条,占用空间大概 200T. 面对这样一个数据量级的需求,我 ...
- 百亿级实时查询优化实战,让你的Elasticsearch飞起来
最近的一个项目是风控过程数据实时统计分析和聚合的一个 OLAP 分析监控平台,日流量峰值在 10 到 12 亿上下,每年数据约 4000 亿条,占用空间大概 200T. 面对这样一个数据量级的需求,我 ...
- es数据频繁的更新_百亿级实时计算系统性能优化–—Elasticsearch篇
导语 | 随着业务的发展,系统日益复杂,功能愈发强大,用户数量级不断增多,设备cpu.io.带宽.成本逐渐增加,当发展到某个量级时,这些因素会导致系统变得臃肿不堪,服务质量难以保障,系统稳定性变差, ...
最新文章
- JAVA07 接口与继承
- php 为什么定义常量,php-将预定义常量定义为什么
- 皮一皮:当群聊被封,大家是如何聊天的...
- PostgreSQL示例demo
- Solr的学习使用之(三)IKAnalyzer中文分词器的配置
- 移动端开发 main.js入口文件
- Flash位图锯齿的处理办法
- JavaScript之ajax
- 利用Python Matplotlib库做简单的视觉化(2)
- php面向对象编程调用结果,【PHP面向对象(OOP)编程入门教程】18.__call()处理调用错误...
- 预处理函数在app和蓝图级别的不同使用
- helm安装istio_第五章 用Helm部署Istio
- windows下的DataX的安装和使用教程
- 注释大全,神兽护体,佛祖保佑,永无bug
- 微信小程序springboot在线考试系统小程序+后台管理系统 | 计算机毕业设计
- vue-i18n的入门使用
- mac下Intelij IDEA中修改maven国内镜像
- D-Link DP-LINK302打印服务器WIN7版软件
- 计算机基础知识考试技巧,计算机二级考试Office应试技巧
- 音视频SDK包-远程网络视频会议-在线远程教育-屏幕共享-电子白板-影音共享-在线直播等等都可以用
热门文章
- vue watch 经常监听不到_VUE处理 组件赋值 watch 监听不到赋值问题
- 一天不学习我浑sen难受(一)—一致性哈希/Hash环学习笔记
- tf之 MessageFilter 与 tf::MessageFilter理解与应用
- hokuyo_node代码分析
- AGV机器人(1)基于视觉避障的理论基础
- CVPR 2022|只用一张图+相机走位,AI就能脑补周围环境!
- 使用select和show命令查看mysql数据库系统信息
- 精读45-180程序转弯模板
- SQL课堂笔记--索引和视图
- 如果需要一个图形学算法