一、大數(shù)據(jù)平臺

在工作中的應(yīng)用有三種：

• 與決策相關(guān)，數(shù)據(jù)科學的領(lǐng)域，了解統(tǒng)計學、算法，這是數(shù)據(jù)科學家的范疇；
• 與工程相關(guān)，如何實施、如何實現(xiàn)、解決什么業(yè)務(wù)問題，這是數(shù)據(jù)工程師的工作。

數(shù)據(jù)工程師在業(yè)務(wù)和數(shù)據(jù)科學家之間搭建起實踐的橋梁。本文要分享的架構(gòu)技術(shù)選型及場景運用偏向于工程方面。

如圖所示，大數(shù)據(jù)平臺第一個要素就是數(shù)據(jù)源，我們要處理的數(shù)據(jù)源往往是在業(yè)務(wù)系統(tǒng)上，數(shù)據(jù)分析的時候可能不會直接對業(yè)務(wù)的數(shù)據(jù)源進行處理，而是先經(jīng)過數(shù)據(jù)采集、數(shù)據(jù)存儲，之后才是數(shù)據(jù)分析和數(shù)據(jù)處理。

從整個大的生態(tài)圈可以看出，要完成數(shù)據(jù)工程需要大量的資源；數(shù)據(jù)量很大需要集群；要控制和協(xié)調(diào)這些資源需要監(jiān)控和協(xié)調(diào)分派；面對大規(guī)模的數(shù)據(jù)怎樣部署更方便更容易；還牽扯到日志、安全、還可能要和云端結(jié)合起來，這些都是大數(shù)據(jù)圈的邊緣，同樣都很重要。

二、數(shù)據(jù)源的特點

數(shù)據(jù)源的特點決定數(shù)據(jù)采集與數(shù)據(jù)存儲的技術(shù)選型，我根據(jù)數(shù)據(jù)源的特點將其分為四大類：

• 第一類：從來源來看分為內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)；
• 第二類：從結(jié)構(gòu)來看分為非結(jié)構(gòu)化數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)；
• 第三類：從可變性來看分為不可變可添加數(shù)據(jù)和可修改刪除數(shù)據(jù)；
• 第四類，從規(guī)模來看分為大量數(shù)據(jù)和小量數(shù)據(jù)。

內(nèi)部數(shù)據(jù)

來自企業(yè)內(nèi)部系統(tǒng)，可以采用主動寫入技術(shù)(push)，從而保證變更數(shù)據(jù)及時被采集。

外部數(shù)據(jù)

企業(yè)要做大數(shù)據(jù)的話肯定不會只局限于企業(yè)內(nèi)部的數(shù)據(jù)，比如銀行做征信，就不能只看銀行系統(tǒng)里的交易數(shù)據(jù)和用戶信息，還要到互聯(lián)網(wǎng)上去拉取外部數(shù)據(jù)。

外部數(shù)據(jù)分為兩類：

• 一類是要獲取的外部數(shù)據(jù)本身提供API，可以調(diào)用API獲取，比如微信；
• 另一類是數(shù)據(jù)本身不提供API，需要通過爬蟲爬取過來。

這兩類數(shù)據(jù)都不是我們可控制的，需要我們?nèi)カ@得，它的結(jié)構(gòu)也可能跟我們企業(yè)內(nèi)部數(shù)據(jù)的結(jié)構(gòu)不一樣，還需要進行轉(zhuǎn)換，爬蟲爬取的數(shù)據(jù)結(jié)構(gòu)更亂，因此大數(shù)據(jù)平臺里需要做ETL，由ETL進行數(shù)據(jù)提取、轉(zhuǎn)換、加載，清洗、去重、去噪，這個過程比較麻煩。爬蟲爬過來的數(shù)據(jù)往往是非結(jié)構(gòu)性的、文檔型的數(shù)據(jù)，還有視頻、音頻，這就更麻煩了。

結(jié)構(gòu)化數(shù)據(jù) & 非結(jié)構(gòu)化數(shù)據(jù)

結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)在存儲時的選型完全不同，非結(jié)構(gòu)化數(shù)據(jù)偏向于文件，或者選擇NoSQL數(shù)據(jù)庫；考慮到事務(wù)的一致性，我們也可能選擇傳統(tǒng)的數(shù)據(jù)庫。

不變可添加數(shù)據(jù)

如果數(shù)據(jù)源的數(shù)據(jù)是不變的，或者只允許添加（通常，數(shù)據(jù)分析的事實表，例如銀行交易記錄等都不允許修改或刪除），則采集會變得非常容易，同步時只需要考慮最簡單的增量同步策略，維持數(shù)據(jù)的一致性也相對變得容易。

對于大數(shù)據(jù)分析來說，我們每天在處理的數(shù)據(jù)大部分是不可變更的。正如Datomic數(shù)據(jù)庫的設(shè)計哲學就是數(shù)據(jù)為事實（fact），它是不可變的，即數(shù)據(jù)是曾經(jīng)發(fā)生的事實，事實是不可以被篡改的，哪怕改一個地址，從設(shè)計的角度來說也不是改動一個地址，而是新增了一個地址。交易也是如此。

可修改可刪除數(shù)據(jù)

銀行的交易記錄、保險單的交易記錄，互聯(lián)網(wǎng)的訪客訪問記錄、下單記錄等都是不可變的。但是數(shù)據(jù)源的數(shù)據(jù)有些可能會修改或刪除，尤其是許多維表經(jīng)常需要變動。要對這樣的數(shù)據(jù)進行分析處理，最簡單的辦法就是采用直連形式，但直連可能會影響數(shù)據(jù)分析的效率與性能，且多數(shù)數(shù)據(jù)模型與結(jié)構(gòu)可能不符合業(yè)務(wù)人員進行數(shù)據(jù)分析的業(yè)務(wù)訴求。如果采用數(shù)據(jù)采集的方式，就要考慮同步問題。

大數(shù)據(jù)量

針對大數(shù)據(jù)量，如果屬于高延遲的業(yè)務(wù)，可以采用batch的處理方式，實時分析則需要使用流式處理，將兩者結(jié)合就是Lambda架構(gòu)，即有實時處理、又能滿足一定的大數(shù)據(jù)量，這是現(xiàn)在比較流行的大數(shù)據(jù)處理方式。

三、數(shù)據(jù)存儲的技術(shù)選型

大數(shù)據(jù)平臺特征：相同的業(yè)務(wù)數(shù)據(jù)會以多種不同的表現(xiàn)形式，存儲在不同類型的數(shù)據(jù)庫中，形成一種poly-db的數(shù)據(jù)冗余生態(tài)。

先把數(shù)據(jù)源進行分類，然后根據(jù)其特點判斷用什么方式采集，采集之后要進行存儲。數(shù)據(jù)存儲的技術(shù)選型依據(jù)有三點：

• 第一點取決于數(shù)據(jù)源的類型和采集方式。比如非結(jié)構(gòu)化的數(shù)據(jù)不可能拿一個關(guān)系數(shù)據(jù)庫去存儲。采集方式如果是流失處理，那么傳過來放到Kafka是最好的方式。
• 第二點取決于采集之后數(shù)據(jù)的格式和規(guī)模。比如數(shù)據(jù)格式是文檔型的，能選的存儲方式就是文檔型數(shù)據(jù)庫，例如MongoDB；采集后的數(shù)據(jù)是結(jié)構(gòu)化的，則可以考慮關(guān)系型數(shù)據(jù)庫；如果數(shù)據(jù)量達到很大規(guī)模，首選放到HDFS里。
• 第三點是分析數(shù)據(jù)的應(yīng)用場景。根據(jù)數(shù)據(jù)的應(yīng)用場景來判定存儲技術(shù)選型。

場景一：輿情分析

做輿情分析的時候客戶要求所有數(shù)據(jù)存放兩年，一天600多萬，兩年就是700多天×600多萬，幾十億的數(shù)據(jù)。而且爬蟲爬過來的數(shù)據(jù)是輿情，做了分詞之后得到的可能是大段的網(wǎng)友評論，客戶要求對輿情進行查詢，做全文本搜索，并要求響應(yīng)時間控制在10s以內(nèi)。

我們后來選擇用ES，在單機上做了一個簡單的測試，大概三億多條數(shù)據(jù)，用最壞的查詢條件進行搜索，保證這個搜索是全表搜索（基于Lucence創(chuàng)建了索引，使得這種搜索更高效），整個查詢時間能控制在幾秒以內(nèi)。

如圖所示，爬蟲將數(shù)據(jù)爬到Kafka里，在里面做流處理，去重去噪做語音分析，寫到ElasticSearch里。我們做大數(shù)據(jù)的一個特點是多數(shù)據(jù)庫，會根據(jù)不同的場景選擇不同的數(shù)據(jù)庫，所以會產(chǎn)生大量的冗余。

場景二：商業(yè)智能產(chǎn)品

BI產(chǎn)品主要針對數(shù)據(jù)集進行的數(shù)據(jù)分析以聚合運算為主，比如求合、求平均數(shù)、求同比、求環(huán)比、求其他的平方差或之類的標準方差。我們既要滿足大數(shù)據(jù)量的水平可伸縮，又要滿足高性能的聚合運算。選擇Parquet列式存儲，可以同時滿足這兩個需求。

場景三：Airbnb的大數(shù)據(jù)平臺

Airbnb的大數(shù)據(jù)來自兩塊：一是本身的業(yè)務(wù)數(shù)據(jù)，二是大量的事件。數(shù)據(jù)源不同，采集方式也不一樣。日志數(shù)據(jù)通過發(fā)送Kafka事件，而線上數(shù)據(jù)則通過Sqoop同步。數(shù)據(jù)存儲選擇HDFS集群，然后通過Presto對Hive表執(zhí)行即席查詢。S3是一個獨立的存儲系統(tǒng)。

四、數(shù)據(jù)處理

數(shù)據(jù)處理分為三大類：

• 第一類是從業(yè)務(wù)的角度，細分為查詢檢索、數(shù)據(jù)挖掘、統(tǒng)計分析、深度分析，其中深度分析分為機器學習和神經(jīng)網(wǎng)絡(luò)。
• 第二類是從技術(shù)的角度，細分為Batch、SQL、流式處理、machine learning、Deep learning。
• 第三類是編程模型，細分為離線編程模型、內(nèi)存編程模型、實時編程模型。

結(jié)合前文講述的數(shù)據(jù)源特點、分類、采集方式、存儲選型、數(shù)據(jù)分析、數(shù)據(jù)處理，我在這里給出一個總體的大數(shù)據(jù)平臺的架構(gòu)。值得注意的是，架構(gòu)圖中去掉了監(jiān)控、資源協(xié)調(diào)、安全日志等。

左側(cè)是數(shù)據(jù)源，有實時流的數(shù)據(jù)（可能是結(jié)構(gòu)化、非結(jié)構(gòu)化，但其特點是實時的），有離線數(shù)據(jù)，離線數(shù)據(jù)一般采用的多為ETL的工具，常見的做法是在大數(shù)據(jù)平臺里使用Sqoop或Flume去同步數(shù)據(jù)，或調(diào)一些NIO的框架去讀取加載，然后寫到HDFS里面，當然也有一些特別的技術(shù)存儲的類型，比如HAWQ就是一個支持分布式、支持事務(wù)一致性的開源數(shù)據(jù)庫。

從業(yè)務(wù)場景來看，如果我們做統(tǒng)計分析，就可以使用SQL或MapReduce或streaming或Spark。如果做查詢檢索，同步寫到HDFS的同時還要考慮寫到ES里。如果做數(shù)據(jù)分析，可以建一個Cube，然后再進入OLAP的場景。

這個圖基本上把所有的內(nèi)容都涵蓋了，從場景的角度來分析倒推，用什么樣的數(shù)據(jù)源、采用什么樣的采集方式、存儲成什么樣子，能滿足離線、內(nèi)存、實時、流的各種模型，都能從圖中得到解答。