实时数据仓库相比较离线数仓,实时性更高,这就要求数据流尽量短,层次相对简化,相比较离线,这里的ods和明细表就可以合并等于从业务库实时同步数据写入到kafka中的一个topic。关于数据采集这里不做讨论,部门是部署脚本监控业务库的DML语句,将create、update、delete的数据实时同步写入到kafka。那么我们要实现多个数据流实时关联合并组成宽记录,
这里有几点要求
实时性
延迟要低,分钟级、秒级
一致性
保证数据的准确一致性,不能丢数据,宁可多算不可漏掉数据
易用性
实时数据有三种状态增、删、改,对于下游使用这个宽表要做到易用,能抽象通用的汇总模型
思路
1.如何解决谁先到谁后到谁迟迟不到的问题?storm的例子中有两个数据流的join的案例,是使用内存来存储先到的数据,设置过期时间,这样就有两个问题,过期就表明会丢数据,由于实时数据特点有增有改有删,即使关联上已经往下发送,但是考虑到update、delete,那内存中数据不能立即clear,内存消耗也是个问题,很容易吃满内存,溢出。如果放到内存不合适,那就借助存储数据库,比如hbase、redis,mysql等,这里第一版是使用的hbase,如果后期性能跟不上可升级为redis。2.如何解决更新、删除数据对之前合并结果的影响这里定义了一种操作叫做逆操作。比如金额最早为5元,后续变成3元,那这条记录我会把前后都传递给下游,3|5,下游如果有汇总,那就 - 5 + 3,如果只是合并不做计算,那就只取 3就可以了。
整体的结构图
如图上所示,除了消费各自topic的数据写法不一致外,其他节点都是将左边和右边合并,然后继续往下发送,所以这些点都是可以抽象成一个通用的bolt来处理。
GeneralMerge
Map<String, String> left = (Map<String, String>)tuple.getValueByField("left");Map<String, String> right = (Map<String, String>)tuple.getValueByField("right");if(left != null && right!=null) { left.putAll(right);}获取左边右边,然后merge起来 图里边最小的单元如下图,都是2个流关联组成宽记录往下emit,然后再跟右边的结果合并。一直到最后的节点 Image
仔细观察,整个拓扑结构都是由一个个这样的最小单元组成的,那么最小单元是否可以继续抽象成通用的模型呢。拆分下这个单元,就是由2个数据流、关联关系、流到哪、数据流数据要存储到什么表中抽象出来就是左边的表,右表的表,表和表之间的关系【leftjoin、innerjoin】这些信息抽象成对象
Param leftParam = new Params(hb_table1,hb_table1_index,"L|R");Param rightParam = new Params(hb_table2,hb_table2_index,"L&R");
hb_table{1,2}代表数据存储的表名hb_table{1,2}_index代表数据自己的主键和另一方关联键的索引表,比如不都是主键之间进行joinL|R代表 左关联,代表左边的数据到了,会先去找右边的数据,即使右边的数据还未到,发现关联关系为L|R,左关联,左边也往下发送。最小单元的处理过程就是 先定义数据流的信息,读取topic,保存数据、索引表,找对方然后发送,如下代码
//获取数据流信息Map<String, String> leftMap = preParseProcess.process(tuple, leftParam); leftMap = save(tuple, leftMap); //保存emit(tuple,collector, leftMap); //找对方然后发送
数据传递
新增类型,封装到map中往下传递
更新类型,在更新的字段上标记新值、旧值,比如 new_value + split + old_value,下游使用时,已经告诉了你更新后的值、更新后的值,自己根据业务处理即可
删除类型,在每个字段后标记删除标签,如 old_value + split + DEL
优缺点
中间结果多、表多、操作hbase频繁对hbase有一定的压力、拓扑结构比较多,运维比较麻烦
将多个数据流汇总成一个通用宽表,下游再有这主题的任何实时需求都可以很方便的使用和编写。提高工作效率,减少验证数据成本。
结论
方案可行
延迟在分钟内
除了运单等变化的字段其他字段可以与离线数据吻合
提高实时开发的效率
待续....困的受不鸟了。。。。
网友评论