基於Flink+ClickHouse打造輕量級點擊流實時數倉

前言

今天事情又比較多,寫得言簡意賅一些,看官勿怪。

Flink和ClickHouse分別是實時計算和(近實時)OLAP領域的翹楚,也是近些年非常火爆的開源框架,很多大廠都在將兩者結合使用來構建各種用途的實時平臺,效果很好。關於兩者的優點就不再贅述,本文來簡單介紹筆者團隊在點擊流實時數倉方面的一點實踐經驗。

點擊流及其維度建模

所謂點擊流(click stream),就是指用戶訪問網站、App等Web前端時在後端留下的軌跡數據,也是流量分析(traffic analysis)和用戶行爲分析(user behavior analysis)的基礎。點擊流數據一般以訪問日誌和埋點日誌的形式存儲,其特點是量大、維度豐富。以我們一箇中等體量的普通電商平臺爲例,每天產生約200GB左右、數十億條的原始日誌,埋點事件100+個,涉及50+個維度。

按照Kimball的維度建模理論,點擊流數倉遵循典型的星形模型,簡圖如下。

點擊流數倉分層設計

點擊流實時數倉的分層設計仍然可以借鑑傳統數倉的方案,以扁平爲上策,儘量減少數據傳輸中途的延遲。簡圖如下。

  • DIM層:維度層,MySQL鏡像庫,存儲所有維度數據。
  • ODS層:貼源層,原始數據由Flume直接進入Kafka的對應topic。
  • DWD層:明細層,通過Flink將Kafka中數據進行必要的ETL與實時維度join操作,形成可用的明細數據,並寫回Kafka以便下游與其他業務使用。再通過Flink將明細數據分別寫入ClickHouse和Hive打成大寬表,前者作爲查詢與分析的核心,後者作爲備份和數據質量保證(對數、補數等)。
  • DWS層:服務層,部分指標通過Flink實時彙總至Redis,供大屏類業務使用。更多的指標則通過ClickHouse物化視圖等機制週期性彙總,形成報表與頁面熱力圖。特別地,部分明細數據也在此層開放,方便高級BI人員進行漏斗、留存、用戶路徑等靈活的ad-hoc查詢,這些也是ClickHouse遠超過其他OLAP引擎的強大之處。

要點與注意事項

Flink實時維度關聯

Flink框架的異步I/O機制爲用戶在流式作業中訪問外部存儲提供了很大的便利。針對我們的情況,有以下三點需要注意:

  • 使用異步MySQL客戶端,如Vert.x MySQL Client。
  • AsyncFunction內添加內存緩存(如Guava Cache、Caffeine等),並設定合理的緩存驅逐機制,避免頻繁請求MySQL庫。
  • 實時維度關聯僅適用於緩慢變化維度,如地理位置信息、商品及分類信息等。快速變化維度(如用戶信息)則不太適合打進寬表,我們採用MySQL表引擎將快變維度表直接映射到ClickHouse中,而ClickHouse支持異構查詢,也能夠支撐規模較小的維表join場景。未來則考慮使用MaterializedMySQL引擎(當前仍未正式發佈)將部分維度表通過binlog鏡像到ClickHouse。

Flink-ClickHouse Sink設計

可以通過JDBC(flink-connector-jdbc)方式來直接寫入ClickHouse,但靈活性欠佳。好在clickhouse-jdbc項目提供了適配ClickHouse集羣的BalancedClickhouseDataSource組件,我們基於它設計了Flink-ClickHouse Sink,要點有三:

  • 寫入本地表,而非分佈式表,老生常談了。
  • 按數據批次大小以及批次間隔兩個條件控制寫入頻率,在part merge壓力和數據實時性兩方面取得平衡。目前我們採用10000條的批次大小與15秒的間隔,只要滿足其一則觸發寫入。
  • BalancedClickhouseDataSource通過隨機路由保證了各ClickHouse實例的負載均衡,但是隻是通過週期性ping來探活,並屏蔽掉當前不能訪問的實例,而沒有故障轉移——亦即一旦試圖寫入已經失敗的節點,就會丟失數據。爲此我們設計了重試機制,重試次數和間隔均可配置,如果當重試機會耗盡後仍然無法成功寫入,就將該批次數據轉存至配置好的路徑下,並報警要求及時檢查與回填。

當前我們僅實現了DataStream API風格的Flink-ClickHouse Sink,隨着Flink作業SQL化的大潮,在未來還計劃實現SQL風格的ClickHouse Sink,打磨健壯後會適時回饋給社區。另外,除了隨機路由,我們也計劃加入輪詢和sharding key hash等更靈活的路由方式。

還有一點就是,ClickHouse並不支持事務,所以也不必費心考慮2PC Sink等保證exactly once語義的操作。如果Flink到ClickHouse的鏈路出現問題導致作業重啓,作業會直接從最新的位點(即Kafka的latest offset)開始消費,丟失的數據再經由Hive進行回填即可。

ClickHouse數據重平衡

ClickHouse集羣擴容之後,數據的重平衡(reshard)是一件麻煩事,因爲不存在類似HDFS Balancer這種開箱即用的工具。一種比較簡單粗暴的思路是修改ClickHouse配置文件中的shard weight,使新加入的shard多寫入數據,直到所有節點近似平衡之後再調整回來。但是這會造成明顯的熱點問題,並且僅對直接寫入分佈式表纔有效,並不可取。

因此,我們採用了一種比較曲折的方法:將原表重命名,在所有節點上建立與原表schema相同的新表,將實時數據寫入新表,同時用clickhouse-copier工具將歷史數據整體遷移到新表上來,再刪除原表。當然在遷移期間,被重平衡的表是無法提供服務的,仍然不那麼優雅。如果大佬們有更好的方案,歡迎交流。

The End

關於Flink和ClickHouse等組件的配置、調優、延遲監控、權限管理等知識,筆者在之前的博客中多少講到過(傳送門:Flink文集ClickHouse文集),不再廢話了。

民那晚安晚安。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章