离线数仓（一）【数仓概念、需求架构】

前言

        今天开始学习数仓的内容，之前花费一年半的时间已经学完了 Hadoop、Hive、Zookeeper、Spark、HBase、Flume、Sqoop、Kafka、Flink 等基础组件。把学过的内容用到实践这是最重要的，相信会有很大的收获。

1、数据仓库概念

1.1、概念

        数据仓库（ Data Warehouse ），是为企业制定决策，提供数据支持的。可以帮助企业，改进业务流程、提高产品质量等。（数据仓库的目的不只是简单的存储数据，而是把收集起来的数据进行计算分析，得到有价值的信息）

1.2、数据分类

        数据仓库的输入数据通常包括：业务数据、用户行为数据和爬虫数据等

        业务数据：就是各行业在处理事务过程中产生的数据。比如用户在电商网站中登录、下单、支付等过程中，需要和网站后台数据库进行增删改查交互，产生的数据就是业务数据。业务数据通常存储在MySQL、Oracle等数据库中（要求响应要快）。

        用户行为数据：用户在使用产品过程中，通过埋点收集与客户端产品交互过程中产生的数据，并发往日志服务器进行保存。比如页面浏览、点击、停留、评论、点赞、收藏等。用户行为数据通常存储在日志文件中。

        爬虫数据：通常是通过爬虫等技术获取其他公司网站的数据。

1.3、数仓架构

• ODS 层（原始数据层）：离线数仓中一般是 Hive，用来做数据备份（如果后面的 DWD 、DWS、ADS 层数据丢失，都可以通过上一层来进行恢复）
• DWD 层（明细数据层）：主要做数据清洗（对错误缺失数据进行处理，以及一些隐私信息的脱敏）
• DWS 层（汇总数据层）：预聚合（做一些表的连接 join 之类的操作，提前 join，节省计算开销）
• ADS 层（数据应用层）：统计最终指标

数据仓库并不是数据的最终目的，而是为数据最终的目的做准备，包括比如：备份、清洗、聚合、统计等。

2、项目需求及架构设计

2.1、项目需求分析

1）采集平台

1. 用户行为数据采集平台搭建
2. 业务数据采集平台搭建

2）离线需求

3）实时需求

2.2、项目框架

1. 技术选型

考虑因素：数据量大小、业务需求、行业内经验、技术成熟度（比如spark/flink）、开发维护成本、总成本预算等

• 数据采集传输：Flume（用户行为数据采集，因为这部分数据都是日志文件的形式），DataX（业务数据采集，因为要把数据从 MySQL 传输到 HDFS），MaxWell（功能类似于 DataX 但是 DataX 是全量同步，MaxWell 是增量同步），Kafka（流量削峰），Sqoop（功能和 Datax 一样，也可以使用）
• 数据存储：MySQL（离线数仓和实时数仓的计算结果都会存到 MySQL 供数据展示），HDFS，HBase（实时数仓），Redis（实时数仓），MongoDB（一般存储爬虫的数据，这里不用）
• 数据计算：Hive，Spark（一般只用在离线，Hive on Spark 结合使用），Flink，Storm（这里不用），Tez（同样是一个基于内存的离线引擎，这里也不用）
• 即席查询：Presto（用于离线），Kylin（用于离线，这里不用），Impala（用于离线，这里不用），Druid（用于实时，这里不用），ClickHouse（用于实时），Doris（用于实时，这里不用）
• 数据可视化；Superset（用于离线），Echarts，Sugar（用于实时），QuickBI，DataV
• 任务调度：DolphinScheduler（国产开源，兼具轻量级和功能丰富，用于离线），Azkaban（轻量级，用法简单），Oozie（重量级，功能更多），Airflow（Python 写的一款框架）
• 集群监控：Zabbix（离线），Prometheus（实时）
• 元数据管理：Atlas（管理表和表之间的关系）
• 权限管理：Ranger（HDP 公司），Sentry（CDH 公司）

2. 系统数据流设计

这里 Kafka 不管是离线数仓还是实时数仓都是一个不可缺少的中间件。

3. 框架版本选项

3.1、Apache/CDH/HDP

我们使用 Apache 版本，但是组件的兼容性需要我们自己解决。

CDH 版本很稳定但是它是收费的，HDP 版本可以二次开发但是不稳定。

3.2、云服务

1. 阿里云 EMR（包含常用的大部分大数据框架）、MaxCompute、DataWorks
2. 亚马逊 EMR
3. 腾讯云 EMR
4. 华为云 EMR

3.3、具体版本选择

• Hadoop 3.1.3
• Zookeeper 3.5.7
• MySQL 5.7.16
• Hive 3.1.2
• Flume 1.9.0
• Kafka 3.0.0
• Spark 3.0.0
• DataX 3.0.0
• Superset 1.3.2
• Dolphinscheduler 2.0.3
• Maxwell 1.29.2
• Flink 1.13.0
• Redis 6.0.8
• HBase 2.0.5
• ClickHouse 20.4.5.36-2

4. 服务器选型

4.1、物理机

• 128G 内存，20 核物理 CPU，40 线程，8 THDD 和 2T SSD 硬盘，戴尔品牌单台报价 4w+ ，寿命 5 年左右。
• 需要考虑运维人员、电费成本。

4.2、云主机

• 5w 左右每年，不需要考虑运维、电费成本。

4.3、企业选择

• 有钱的公司（大城市的一些对技术不太讲究的公司，比如金融公司）会选择阿里云
• 中小型公司有钱后会购买物理机（数据放在自己手里更放心）
• 有长期打算，资金充足的公司也会选择物理机

5. 集群规模

确认集群规模：

• 每天日活跃用户 100 万，每人每天创造 100 条数据： 100w * 100 = 1亿条
• 每条数据 1KB ，每天：1亿 / 1024 / 1024 ≈ 100GB
• 半年不扩容服务器来算：100GB * 180天 ≈ 18TB
• 保存 3 个副本：18TB * 3 = 54 TB
• 预留 20%~30% buf：54TB / 0.7 = 77TB

        算到这里需要大概 8T * 10 台服务器，但是数仓是分层的，我们的数据在 ODS 层（原始数据层）是主要的消耗磁盘的地方，而其他几层也是需要消耗磁盘存放中间结果的，所以结果应该比我们预估的更大！但是又考虑到数据在存储时可以压缩（100GB 可以压缩到 5~10GB左右），所以我们其实只需要 3 台服务器就可以保证半年内每天 100 GB 数据的计算存储，5~10 台服务器则可以保证 2~3 年数据该数据的计算和存储。

6. 集群资源规划设计

在企业中通常会搭建一套生产集群（十几、甚至几十几百台）和一套测试集群（3~5台）。生产集群运行生产任务，测试集群用于上线前代码编写和测试。

 总结

        到这里，数仓基本的概念是了解了，这个项目会用到哪些技术也基本明白了（Hadoop、Hive、MySQL、Spark、Flume、Kafka、HBase、DataX等），接下来就是慢慢熟练之前学的哪些框架在实际应用中是怎么使用的，一些没学过的框架（比如 DataX、Superset、DoplhinScheduler）慢慢补，都是小工具 so easy。