前言：還記得那是2018年的一個夏天，天氣特別熱，我一邊擦汗一邊聽領導大刀闊斧的講述自己未來的改革藍圖。會議開完了，核心思想就是：我們要搞一個數據大池子，要把公司能灌的數據都灌入這個大池子，然後讓別人用 各種姿勢 來撈這些數據。系統從開始打造到上線差不多花了半年多不到一年的時間，線上穩定運行也有一年多的時間。今天想簡單做個總結。
一。背景介紹
公司成立差不多十五六年了，老公司了。也正是因爲資格老，業務迭代太多了，各個業務線錯綜複雜，接口調用也密密麻麻。有時候A向B要數據，有時候B向C要接口，有時候C向A要服務；各個業務線各有各的財產，各自爲營，像一個個小諸侯擁兵自重，跑腿費會議費都貴的很。面對這個現狀，我們急需進行一波大改造了。
而這個系統（我們暫且叫它天池吧），正是爲了整合公司各個業務線的資源，改造這個錯綜複雜的蜘蛛網爲簡單的直線班車。省去不必要的接口調用、業務穿插、會議溝通以及不知去哪裏拿數據、拿不到數據、拿數據慢的困擾。當然，更節省了產品、開發人員的時間，提升了各業務線整體工作效率。
幾個詞形容一下天池：穩、快、大、省、清晰。
二。業務梳理
經過對公司各線業務進行梳理，總結出以下幾大常見的數據輸出模型：
Key-Value快速輸出型，最簡單的kv查詢，併發量可能很高，速度要求快。比如風控。
Key-Map快速輸出型，定向輸出，比如常見的通過文章id獲取文章詳情數據，kv查詢升級版。
MultiKey-Map批量輸出型，比如常見的推薦Feed流展示，Key-Map查詢升級版。
C-List多維查詢輸出型，指定多個條件進行數據過濾，條件可能很靈活，分頁輸出滿足條件的數據。這應該是非常常見的，比如篩選指定標籤或打分的商品進行推薦、獲取指定用戶過去某段時間買過的商品等等。
G-Top統計排行輸出型，根據某些維度分組，展示排行。如獲取某論壇熱度最高Top10帖子。
G-Count統計分析輸出型，數倉統計分析型需求。
Multi-Table混合輸出型，且不同表查詢條件不同，如列表頁混排輸出內容。
Term分詞輸出型
或許還有更多數據模型，這裏就不再列舉了。從前端到後臺，無論再多數據模型，其實都可以轉化爲索引+KV的形式進行輸出，甚至有時候，我覺得索引+KV>SQL。
基於此業務數據模型分析及公司對ElasticSearch的長期使用，我們最終選擇了HBase + ElasticSearch這樣的技術方案來實現。
三。架構設計與模塊介紹
先看一下整體架構圖，如下圖：
整個天池系統核心主要分爲數據接入層、策略輸出層、元數據管理、索引建立、平臺監控以及離線數據分析六大子模塊，下面將分別對其進行介紹。
1. 數據接入模塊介紹
數據接入模塊我們主要對HBase-Client API進行了二次輕封裝，支持在線RESTFUL服務接口和離線SDK包兩種主要方式對外提供服務，同時兼容HBase原生API和HBase BulkLoad大批量數據寫入。
其中，在線RESTFUL服務以HBase Connection長連接的方式對外提供服務，好處是：在性能影響不大的情況下方便跨語言操作，更主要的一點是便於管理。在這一層，可以做很多工作，比如權限管理、負載均衡、失敗恢復、動態擴縮容、數據接口監控等等，當然這一切都要感謝K8S的強大能力。
2. 策略輸出模塊介紹
該模塊主要就是對接我們上文業務梳理模塊歸納的各種業務需求，都由此模塊提供服務。顧名思義，策略模塊主要用於爲用戶配置策略，或用戶自己配置策略，最終基於策略生成策略ID。
這一層我們主要是對ElasticSearch和HBase的一些封裝，通過動態模板將用戶請求轉化爲ElasticSearch DSL語句，而後對ES進行查詢，直接返回數據或是獲取到rowkey進而查詢HBase進行結果返回。
通過元數據管理中心，我們可以判斷出用戶所需字段是否被索引字段覆蓋，是否有必要二次查詢HBase返回結果。而這整個查詢過程，用戶並不會感知，他們只需要一個PolicyID即可。
當然，我們也在不斷普及用戶如何通過後臺自己配置生成策略。合作較多的業務方，甚至可以自己在測試環境配置好一切，完成數據的自助獲取工作。而我們需要做的，只是一鍵同步測試環境的策略到線上環境，並通知他們線上已可用。整個過程5~10分鐘，一個新的接口就誕生了。
其次，由於ES抗壓能力畢竟不如HBase猛，我們的策略接口也會根據業務需求決定是否開啓緩存。事實上，大部分接口是可以接受短時間內數據緩存的。當然像簡單KV、K-Map、MK-Map這種是直接走HBase的，需求量也挺大。
到目前爲止，上述業務輸出模型基本都已支持動態策略配置。這真的要感謝ElasticSearch強大的語法和業務場景覆蓋能力，畢竟在我看來，ElasticSearch更像是一個爲業務而生的產品。
深入瞭解ES後，你會發現在有些方面它真的比SQL更強大；現在我們的策略平臺甚至支持分詞查詢、分桶查詢、多表聯合查詢、TopN、聚合查詢等多種複合查詢，這都要感謝ElasticSearch強大的功能。
3. 元數據管理模塊介紹
大家都知道HBase是No-Schema模型，元數據管理層我們也就是爲其和ES做一個虛擬的Schema管理，同時去動態控制哪些字段要建索引。
在數據接入的時候，我們會通過元數據中心判斷數據是否符合規則（我們自己定的一些規則）；在數據輸出的時候，我們控制哪些策略需要走緩存，哪些策略不需要走HBase等等。
其次，維護一套元數據方便我們做一些簡單的頁面指標監控，並對ES和HBase有一個總線控制（如建表刪表等），該模塊就不多說了。
4. 索引建立模塊介紹
這個模塊呢，其實算是相對比較複雜的一個模塊。我們沒有采用HBase + WAL + ES的方式而是HBase + Kafka + ES 的方式去同步索引數據。一是因爲WAL層不太好控制和監控，二是ES消費WAL的效率問題，三是WAL層數據一致性不好維護。
所以我們把一部分的工作放到了數據接入層，在數據寫完HBase之後，即對外響應Success並異步將數據推至Kafak隊列中等待ES去二次消費；寫入失敗則對外拋出異常，我們首先要保證的是，寫入HBase要麼成功，要麼失敗。
在ES消費層，我們是可以動態指定消費線程數量的。當Kafka Lag堆積超過一定閾值（閾值可進行Group級調節和監控），會進行警報，並動態調整消費線程數。
在數據一致性方面，我們也做了大量工作，且我們只保證數據最終一致性。當數據寫入HBase成功之後，我們會對寫Kafka和寫ES進行鏈路追蹤，任何一個環節一旦寫入失敗，即將Failed Key寫入黑名單（Redis存儲）。
對於進入黑名單的數據，我們會起定時調度線程去掃描這些Key並進行自動回補索引。回補方式是：到HBase中拿最新的數據再次寫入隊列中去。如果此時又失敗，我們會把這些Key放入終極死亡名單（Redis存儲），並通過定時調度線程去掃描這個死亡名單，如果有屍體，則報警，此時人力介入。
這種分層處理方式，也是借鑑了些許HBase LSM的思想，勿噴勿噴~
我簡單畫了一下這個流程，方便大家理解，見下圖：
5. 平臺監控模塊介紹
該模塊不再細說了，主要是Hadoop集羣、HBase集羣的監控，外加K8S平臺監控。K8S監控平臺主要基於Prometheus+Grafana+Fluent實現。
6. 離線數據分析模塊介紹
該模塊依賴於HBase Replication集羣間複製功能實現。數據在同步至離線HBase集羣之後，主要用於對接數據倉庫、Spark讀寫分析、大範圍掃描操作等等。主要是減小面向分析型作業對線上實時平臺的影響。
六大模塊就簡單介紹到這裏。
四。心得
總的感受：使用ES賦能HBase感覺很融洽，ES很棒，ES+HBase真的可以媲美SQL了。
好像ES天生跟HBase是一家人，HBase支持動態列，ES也支持動態列，這使得兩者結合在一起很融洽。
而ES強大的索引功能正好是HBase所不具備的，如果只是將業務索引字段存入ES中，體量其實並不大；甚至很多情況下，業務索引字段60%以上都是Term類型，根本不需要分詞。雖然我們還是支持了分詞，比如多標籤索引就會用到。
很多設計者可能會覺得HBase + Kafka + ES三者結合在一起有點太重了，運維成本很高，有點望而卻步。但轉換角度想一下，我們不就是搞技術的嘛，這下子可以三個成熟產品一起學了！現在看來，收穫還是大於付出的。
至於ES和Solr選擇誰去做二級索引的問題，我覺得差別不大，根據自家公司的現狀做選擇就好了。
最後，還是要爲ElasticSearch點個贊！不錯的產品！
往期推薦
掃一掃，我們的故事就開始了。
如果這篇文章對你有所啓發，點贊、轉發都是一種支持！
另外公衆號改變了推送規則，大家看文章不要忘記點擊最下方的在看，點贊按鈕，這樣微信自動識別爲常看公衆號，否則很可能推送的文章可能淹沒在別的文章找不到，謝謝大家
讓我知道你在看
本文分享自微信公衆號 - 大數據實戰演練（gh_f942bfc92d26）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。