StreamWorks構(gòu)建實時大數(shù)據(jù)處理平臺的方法

這篇文章主要介紹“StreamWorks構(gòu)建實時大數(shù)據(jù)處理平臺的方法”，在日常操作中，相信很多人在StreamWorks構(gòu)建實時大數(shù)據(jù)處理平臺的方法問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”StreamWorks構(gòu)建實時大數(shù)據(jù)處理平臺的方法”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

　　數(shù)棧是云原生—站式數(shù)據(jù)中臺PaaS，我們在github和gitee上有一個有趣的開源項目：FlinkX，F(xiàn)linkX是一個基于Flink的批流統(tǒng)一的數(shù)據(jù)同步工具，既可以采集靜態(tài)的數(shù)據(jù)，也可以采集實時變化的數(shù)據(jù)，是全域、異構(gòu)、批流一體的數(shù)據(jù)同步引擎。大家喜歡的話請給我們點個star!star!star!

　　github開源項目：https://github.com/DTStack/flinkx

　　gitee開源項目：https://gitee.com/dtstack_dev_0/flinkx

　　2020年春節(jié)期間，一場突如其來的疫情在全國蔓延開來，打破了大家原有的工作生活節(jié)奏。疫情期間，大家宅在家就能隨時看到實時的大數(shù)據(jù)疫情地圖，可以隨時刷到自己當前感興趣的抖音視頻，這一切背后依賴的最重要的技術(shù)，就是實時大數(shù)據(jù)處理技術(shù)。

　　現(xiàn)在疫情即將過去，國家提出要加快大數(shù)據(jù)中心等新型基礎(chǔ)設(shè)施建設(shè)，實時大數(shù)據(jù)處理平臺建設(shè)成為企業(yè)數(shù)智化轉(zhuǎn)型過程中越來越重要的部分。

　　一、什么是實時計算

　　在大數(shù)據(jù)處理領(lǐng)域，通常根據(jù)數(shù)據(jù)的不同性質(zhì)，將任務(wù)劃分為實時計算與離線計算，以溫度傳感器的場景舉例：假設(shè)某城市安裝了大量的溫度傳感器，每個傳感器每隔1min上傳一次采集到的溫度信息，由氣象中心統(tǒng)一匯總，每隔5分鐘更新一次各個地區(qū)的溫度，這些數(shù)據(jù)是一直源源不斷的產(chǎn)生的，且不會停止。實時計算就主要用于“數(shù)據(jù)源源不斷的產(chǎn)生，而且不會停止，需要以最小的延遲獲得計算結(jié)果”的場景，這種最小的延遲通常為秒級或分鐘級。

　　為了滿足這種數(shù)據(jù)量很大，而且實時性要求又非常高的場景，通常會采用實時計算技術(shù)，實時計算的“數(shù)據(jù)源源不斷”的特定決定了其數(shù)據(jù)處理方式與離線是截然不同的。

　　Figure 1 實時計算和離線計算的區(qū)別

　　離線計算的批量、高延時、主動發(fā)起的計算特點不同，實時計算是一種持續(xù)、低延時、事件觸發(fā)的計算任務(wù)。離線計算需要先裝載數(shù)據(jù)，然后提交離線任務(wù)，最后任務(wù)計算返回結(jié)果;實時計算首先要提交流式任務(wù)，然后等實時流數(shù)據(jù)接入，然后計算出實時結(jié)果流。

　　Figure 2 實時計算和離線計算的區(qū)別(形象圖)

　　形象點可以理解為離線計算是開著船去湖里(數(shù)據(jù)庫)打漁，實時計算為在河流(數(shù)據(jù)流)上建立大壩發(fā)電。進一步發(fā)散，湖泊的形成依賴河流，河流確定上下邊界就是湖泊;其實，離線計算可以理解為實時計算的一種特例。

　　二、實時計算能解決的問題

　　Figure 3 實時計算能解決的問題

　　從技術(shù)領(lǐng)域來看，實時計算主要用于以下場景：

　　基于Data Pipline的實時數(shù)據(jù)ETL：目的是實時地把數(shù)據(jù)從A點傳輸?shù)紹點。在傳輸?shù)倪^程中可能添加數(shù)據(jù)清洗和集成的工作，例如實時構(gòu)建搜索系統(tǒng)的索引、實時數(shù)倉中的ETL過程等。

　　基于Data Analysis的實時數(shù)據(jù)分析：根據(jù)業(yè)務(wù)目標，從原始數(shù)據(jù)中抽取對應(yīng)信息并整合的過程。例如，查看每天銷售額排行前10的商品、倉庫平均周轉(zhuǎn)時間、網(wǎng)頁平均點擊率、實時推送打開率等。實時數(shù)據(jù)分析則是上述過程的實時化，通常在終端體現(xiàn)為實時報表或?qū)崟r大屏。

　　基于Data Driven的事件驅(qū)動應(yīng)用：對一系列訂閱事件進行處理或作出響應(yīng)的系統(tǒng)。事件驅(qū)動應(yīng)用通常需要依賴內(nèi)部狀態(tài)，例如點擊欺詐檢測、風控系統(tǒng)、運維異常檢測系統(tǒng)等。當用戶的行為觸發(fā)某些風險控制點時，系統(tǒng)會捕獲這個事件，并根據(jù)用戶當前和之前的行為進行分析，決定是否對用戶進行風險控制。

　　三、實時開發(fā)的全鏈路流程

　　Figure 4 實時開發(fā)的全鏈路流程

　　實時采集——使用流式數(shù)據(jù)采集工具將數(shù)據(jù)流式且實時地采集并傳輸?shù)酱髷?shù)據(jù)消息存儲(kafka等)，流式數(shù)據(jù)存儲作為實時計算的上游，提供源源不斷的數(shù)據(jù)流去觸發(fā)流式計算作業(yè)的運行。流數(shù)據(jù)作為實時計算的觸發(fā)源驅(qū)動實時計算運行。因此，一個實時計算作業(yè)必須至少使用一個流數(shù)據(jù)作為源。每一條進入的流數(shù)據(jù)將直接觸發(fā)實時計算的一次流式計算處理。數(shù)據(jù)在實時計算系統(tǒng)中處理分析后隨機寫到下游數(shù)據(jù)存儲，下游數(shù)據(jù)庫一般與業(yè)務(wù)相關(guān)，可以用來做實時報表、實時大屏等數(shù)據(jù)消費。

　　四、實時采集---全鏈路實時開發(fā)平臺的關(guān)鍵

　　整個全鏈路的實時開發(fā)中，實時采集是實時計算的上游。對于很對企業(yè)而言，本身已經(jīng)有數(shù)據(jù)存儲系統(tǒng)，但是很大一部分都是離線的關(guān)系型數(shù)據(jù)庫。如何將這些離線的關(guān)系型數(shù)據(jù)庫的實時增量數(shù)據(jù)，提供給實時計算去分析，是一個亟需解決的環(huán)節(jié)。如下圖所示，是袋鼠云實時數(shù)據(jù)采集工具的功能架構(gòu)。

　　Figure 5 實時數(shù)據(jù)采集工具FlinkX數(shù)據(jù)流程

　　袋鼠云實時數(shù)據(jù)采集作為StreamWorks平臺的一個模塊，有以下功能特點。

　　FlinkX支持批量數(shù)據(jù)抽取，同時支持實時捕捉MySQL、Oracle、SQLServer等變化數(shù)據(jù)，實現(xiàn)批流統(tǒng)一采集。

　　底層基于Flink分布式架構(gòu)，支持大容量、高并發(fā)同步，相比單點同步性能更好，穩(wěn)定性更高。

　　支持直接讀取數(shù)據(jù)庫Binlog的方式實時同步，也支持間隔輪詢方式實時同步。

　　支持斷點續(xù)傳和臟數(shù)據(jù)記錄，實時數(shù)據(jù)采集的metric曲線展示。

　　五、StreamWorks實時開發(fā)平臺介紹

　　袋鼠云實時開發(fā)平臺(StreamWorks)基于 Apache Flink 構(gòu)建的云原生一站式大數(shù)據(jù)流式計算平臺，涵蓋從實時數(shù)據(jù)采集到實時數(shù)據(jù)ETL的全鏈路流程。亞秒級別的處理延時， Datastream API 作業(yè)開發(fā)，與已有大數(shù)據(jù)組件兼容，幫助企業(yè)實時數(shù)據(jù)智能化轉(zhuǎn)型，助力新型基礎(chǔ)設(shè)施建設(shè)。

　　在以往的數(shù)據(jù)開發(fā)技術(shù)棧中，SQL語言能解決大部分業(yè)務(wù)場景的問題。StreamWorks的核心功能是主打以SQL語義的流式數(shù)據(jù)分析能力(FlinkStreamSQL)，降低開發(fā)門檻。提供Exactly-Once的處理語義保證，保證業(yè)務(wù)精確一致。

　　Figure 6 StreamWorks功能架構(gòu)

　　如上圖所示，StreamWorks包含如下幾個模塊：

　　實時采集：支持MySQL、SQLServer、Oracle、PolarDB、Kafka、EMQ等數(shù)據(jù)源實時數(shù)據(jù)采集，通過速率和并發(fā)數(shù)控制可幫助用戶更準確的控制采集過程。

　　數(shù)據(jù)開發(fā)：支持FlinkSQL、Flink任務(wù)類型，F(xiàn)linkSQL作業(yè)提供可視化存儲配置、作業(yè)開發(fā)、語法檢查等功能;Flink任務(wù)支持上傳jar包的方式運行實時開發(fā)作業(yè)。

　　任務(wù)運維：任務(wù)運行情況監(jiān)控，數(shù)據(jù)曲線、運行日志、數(shù)據(jù)延時、CkeckPoint、Failover、屬性參數(shù)、告警配置等功能。

　　項目管理: 用戶管理、角色管理、項目整體配置、項目成員管理等。

　　六、StreamWorks實時大數(shù)據(jù)開發(fā)平臺的優(yōu)勢

　　Figure 7 StreamWorks平臺層級

　　如上圖所示，StreamWorks實時大數(shù)據(jù)開發(fā)平臺基于Apache Flink計算引擎，做了一層SQL化的封裝，最上層有一個在線開發(fā)的IDE平臺。平臺有以下幾個優(yōu)勢點：

　　簡單易用: 提供在線IDE，定制化適配FlinkSQL的開發(fā)工具!

　　可視化DDL：提供可視化建表工具，配置參數(shù)即可完成DDL!

　　內(nèi)置函數(shù)：提供豐富的FlinkSQL內(nèi)置函數(shù)，簡化開發(fā)工作!

　　高效運維: 提供多達幾十個運行指標，解決開源運維難題!

　　實時采集：提供實時采集工具，支撐全鏈路實時開發(fā)平臺!

　　FlinkX：自研的批流一體的數(shù)據(jù)采集工具，已經(jīng)開源!

　　Figure 8 傳統(tǒng)開發(fā)模式 VS StreamWorks開發(fā)模式

　　七、十四行代碼搞定實時業(yè)務(wù)開發(fā)

　　講了這么多，我們的產(chǎn)品到底如何方便大家進行實時業(yè)務(wù)邏輯開發(fā)的，我們還是拿最常見的網(wǎng)站流量分析的例子說明下。比如，某網(wǎng)站需要對訪問來源進行分析：

　　如下圖所示，從日志服務(wù)讀取該站點訪問日志，解析日志中的來源并檢查來源是否在感興趣的網(wǎng)站列表中(類似來源網(wǎng)站的白名單，保存在MySQL中)，統(tǒng)計來自各個網(wǎng)站的流量PV，最終結(jié)果寫出到MySQL。

　　Figure 9 業(yè)務(wù)邏輯流程圖

　　用StreamSQL代碼實現(xiàn)的話非常簡單，只需要14行偽代碼即可搞定。

　　CREATE TABLE

　　log_source(dt STRING, …)

　　WITH (type=kafka);

　　CREATE TABLE

　　mysql_dim(url STRING, …, PRIMARY KEY(url))

　　WITH (type=mysql);

　　CREATE TABLE

　　mysql_result(url STRING, …, PRIMARY KEY(url))

　　WITH (type=mysql);

　　INSERT INTO mysql_result

　　SELECT

　　l.url, count(*) as pv …

　　FROM log_source l JOIN mysql_dim d ON l.url = d.url

　　group by l.url

　　復制八、基于StreamWorks構(gòu)建實時推薦系統(tǒng)

　　一般的推薦系統(tǒng)都是基于標簽來實現(xiàn)的，基于標簽的推薦其實應(yīng)用很普遍，比如頭條，比如抖音，都用到了大量的標簽，這樣的推薦系統(tǒng)有很多優(yōu)點，比如實現(xiàn)簡單、可解釋性好等。如何通過標簽來實現(xiàn)實時商品或者內(nèi)容的推薦呢?

　　首先一個新的用戶在注冊app賬號的時候會填寫一些比較固定的數(shù)據(jù)，比如年齡、職業(yè)等信息，這些信息可以通過離線計算分析出長期興趣標簽的結(jié)果，存儲到長期興趣標簽庫。用戶在最近感興趣的內(nèi)容(比如最近10分鐘內(nèi)關(guān)注的信息點)可以通過實時計算分析出短期的興趣標簽結(jié)果，然后再通過實時開發(fā)的數(shù)據(jù)流關(guān)聯(lián)維表的功能，把短期的感興趣標簽和長期興趣標簽庫做關(guān)聯(lián)，最終生成新的推薦內(nèi)容給到客戶端，形成一個用戶數(shù)據(jù)流的閉環(huán)，從而實現(xiàn)一個簡單的實時推薦系統(tǒng)。具體流程如下圖所示。

　　Figure 10 基于StreamWorks構(gòu)建實時推薦系統(tǒng)

　　九、結(jié)語——把未來變成現(xiàn)在

　　疫情即將過去，生活還要繼續(xù)。隨著“新基建”建設(shè)不斷深化下去，越來越多的實時化場景會出現(xiàn)在我們生活中。袋鼠云作為新基建解決方案供應(yīng)商，我們的口號就是把未來變成現(xiàn)在，在未來會賦能更多的企業(yè)實時化轉(zhuǎn)型。鄭州人流醫(yī)院哪家好http://www.lnljyy.com/

到此，關(guān)于“StreamWorks構(gòu)建實時大數(shù)據(jù)處理平臺的方法”的學習就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>