為什么80%的碼農都做不了架構師？>>> ??

摘要：第九屆中國數據庫技術大會，阿里巴巴技術專家孟慶義對阿里HBase的數據管道設施實踐與演進進行了講解。主要從數據導入場景、 HBase Bulkload功能、HImporter系統、數據導出場景、HExporter系統這些部分進行了講述。

直播視頻請點擊
PPT下載請點擊
精彩視頻整理：

數據導入場景

生意參謀

生意參謀是一種為商家服務，幫助商家進行決策和運營的數據產品。如在淘寶或天貓上開一家店，生意參謀會提供店里每天進入的流量、轉化率、客戶的畫像和同行業進行對比這些數據屬于什么位置。商家可以根據流量分析、活動分析和行業分析去進行決策。可以根據平時日志、點擊量和訪問量，數據庫把數據通過實時的流處理寫入HBase。有一部分寫到離線系統里，定期做一些清洗和計算再寫入HBase，然后供業務去查詢 HBase。

螞蟻風控

在螞蟻上任何一筆交易支付都會調用風控，風控主要是去看這次交易是否屬于同一個設備，是否是經常交易的地點，以及交易的店鋪信息。它必須在100ms—200ms把風險做完，風控是根據長期的歷史信息、近期歷史的信息和實時的信息三個方向做綜合考量。用戶的輸入會實時的寫入HBase，同時這個實時的信息增量也會導入到離線系統里面，離線系統會定期的對數據進行計算，計算的數據結果會作為歷史或近期歷史再寫回HBase，一個支付可能會調百十次的風控，而且需要在百毫秒內進行返回。

數據導入需要解決的問題

2013年剛剛開始做數據導入的時候面臨的更多的是功能需求性的問題，現在需要考慮的是導入的周期性調度、異構數據源多、導入效率高和多集群下的數據一致性的問題。前兩個問題更適合由平臺化去解決，HBase的數據導入更關注的是導入效率和多集群下的數據的一致性。

什么是Bulkload？Bulkload有什么功能？

Bulkload使用的是一種新的結構LSM Tree進行寫入更新，其結構如上圖所示。使用Application code 進行數據寫入，數據會被寫入到MemStore，MemStore在HBase里是一個跳表，可以把它看成一個有序的列表，并不斷往里面插入數據。當數據達到一定量時就會啟動flush對數據進行編碼和壓縮，并寫成HFile。HFile是由索引塊和數據塊組成的文件結構，其特點是只讀性，生成HFile之后就不可改了。當用戶進行讀取數據的時候，就會從三個HFile和一個MemStore進行查找進行讀取。這個結構的優化就是就把隨機的寫變成了有序的寫。Bulkload就可以把上千上萬條數據在毫秒內加入到HBase里。所以Bulkload的優勢如下：

• 高吞吐
• 不需要WAL
• 避免small compaction
• 支持離線構建

  ?

Bulkload的導入結構如上圖所示，數據來源于數倉，首先根據HBase的分區規則對數據進行分區和排序。然后會生成Partition Data，需要寫一個HBase插進去。同步中心就會調動一個作業，作業內部會有很多的tasks，每個task獨立的執行把文件讀出，寫到HDFS上，形成一個HFile文件。當把所有文件寫完，同步中心就會調Bulkload指令到HBase，把所有的HFile一次性的load進去。
以前采用的是多集群導入的方法，但是多集群導入有很多缺點如下：

• 很難保證多個任務同時完成，導致一定時間窗口內數據不一致
• 調度后的運行環境不一致
• 網絡延遲不一致
• 失敗重試
  集群部署對業務不透明的缺點：
• 需要配置多個任務
• 集群遷移需要重新配置任務
  為了保證數據的一致性，采用了邏輯集群導入法。

邏輯集群的流程如上圖所示，首先進行分區合并，然后進行雙數據流處理，把流分別寫到Active和Backup里，當Active和Backup的HFile文件寫完后執行Bulkload。因為Bulkload是毫秒級別的，所以能實現一致性。
多任務和邏輯集群的差別比較如下：

• 多任務模式：需要重復配置，是不透明的，很難保證一致性，分區排序
  需要執行兩次，編碼壓縮兩次。
• 邏輯集群模式：配置一次，遷移無感知，在一致性上達到毫秒級，分區排序是執行一次，但分區數量變多，編碼壓縮一次。
  隨著業務做得越來越大，這種導入就會遇到新的線上問題，如擴展性、資源利用率、研發效率、監控等。

什么是HImporter系統？

HImporter是用于輔助數據同步的中間層，他會把所有HFile的構建，加載邏輯下沉到HImporter層。

HImporter所處的位置如上圖所示。

HImporter的優勢

• 分布式水平擴展，同一個作業的不同任務可以調度到HImporter的不同worker節點
• 提高資源利用率，將壓縮等CPU密集操作下降到HImporter
• 快速迭代，HImporter的運維和迭代與同步中心獨立
• 獨立監控，HImporter可按照自己的需求實現監控

HImporter 功能迭代

功能迭代主要包括表屬性感知、保證本地化率、支持輕量計算和安全隔離。其中表屬性感知就是感知特性，并保證特征不會變，主要包括、混合存儲、新壓縮編碼、表級別副本數；保證本地化率是將Hfile寫入到分區所在服務器，保證本地化率和存儲特性，對一些rt敏感的業務效果明顯；支持輕量計算就是支持MD5，字符串拼接等函數；安全隔離是避免對外暴露HDFS地址、支持Task級別重試。

數據導出場景

菜鳥聯盟

菜鳥聯盟的場景如上圖所示。一個物流詳情會傳到HBase，HBase會傳到數據倉庫，數據倉會產生報表，然后去訓練路由算法。

淘寶客服

淘寶客服的一個退款應用場景如上圖。這是一個逆向鏈接，把退款、糾紛、退款物流、退款費用等實時的寫入到HBase里，HBase會實時的寫入queue里，blink流系統會消費queue產生一些數據會返回到HBase，blink輸出會支撐智能服務、客戶監控等。

增量數據導出需要解決的問題

增量數據導出需要解決的問題主要是離線數據的T+1處理特點、吞吐量 、實時性、主備流量切換等。
早期的方案是會周期性的從HDFS里把所有的日志羅列出來，然后對日志進行排序會產生一個有序的時間流。取work里同步時間最短的作為最終的同步時間。這種方案具有對NN節點造成很大壓力、無法應對主備切換、日志熱點處理能力低等問題。

HExporter系統

HExporter1.0如上圖所示，HExporter1.0優勢主要有主備流量切換不影響數據導出，能夠識別數據來源，過濾非原始數據；獨立的同步時間流，能夠保障數據按有序時間分區Dump到數據倉庫；復用HBase replication框架，能夠降低開發工作量，復用HBase的監控，運維體系。
HExporter1.0 優化主要包括以下五點：

• 減少拓撲網絡中的數據發送，備庫避免向Exporter發送重復數據；
• 遠程輔助消化器，空閑的機器幫助消化熱點；
• 避免發送小包，HExporter在接收到小包后，等待一段時間再處理；
• 同步通道配置隔離，實時消費鏈路和離線消費鏈路可以采用不同的配置；
• 數據發送前壓縮。
  HExporter1.0的問題是業務寫入流量產生高峰，離線出現同步延遲；HBase升級速度慢。然后我們就有了以下解決思路，離線同步的資源可以和在線資源隔離，利用離線大池子可以削峰填谷；Exporter的worker是無狀態的，如果把所有邏輯都放在Exporter，那么升級、擴容會簡單快速。然后就產生了HExporter2.0。

HExporter2.0如上圖所示

總結

ALiHBase數據通道的導入和導出都是添加了中間層，中間層的核心價值易擴展、可靠性高、迭代快和穩定。因為采用分布式水平擴展更易擴展；采用自主識別主備切換，封裝對HBase訪問更可靠；采用架構解耦，快速迭代使迭代速度更快；因為無狀態，節點對等所以更加穩定。

原文鏈接

本文為云棲社區原創內容，未經允許不得轉載。

轉載于:https://my.oschina.net/yunqi/blog/1820754

總結

以上是生活随笔為你收集整理的阿里HBase的数据管道设施实践与演进的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。