如何用Hadoop⼀Spark构建七牛数据平台

下为讨论实录

数据平台在大部分公司都属于支撑性平台，做的不好立刻会被吐槽，这点和运维部门很像。所以在技术选型上优先考虑现成的工具，快速出成果，没必要去担心有技术负担。早期，我们走过弯路，认为没多少工作量，收集存储和计算都自己研发，发现是吃力不讨好。去年上半年开始，我们全面拥抱开源工具，搭建自己的数据平台。

数据平台设计理念

公司的主要数据来源是散落在各个业务服务器上的半结构化日志，比如系统日志、程序日志、访问日志、审计日志等。日志是最原始的数据记录，如果不是日志，肯定会有信息上的丢失。说个简单的例子，需求是统计Nginx上每个域名的的流量，这个完全可以通过一个简单的Nginx模块去完成，但是如果统计的是不同来源的流量就无法做了。所以需要原始的完整的日志。

有种手法是业务程序把日志通过网络直接发送出去，但是这并不可取，因为网络和接收端并不完全可靠，当出问题时会对业务造成影响或者日志丢失。因此，对业务侵入最小最自然的方式是把日志落到本地硬盘上。

数据平台设计架构

Agent设计需求

每台机器上会有一个Agent去同步这些日志，这是个典型的队列模型，业务进程在不断的push，Agent在不停的pop。Agent需要有记忆功能，用来保存同步的位置(offset)，这样才尽可能保证数据准确性，但不可能做到完全准确。由于发送数据和保存offset是两个动作，不具有事务性，不可避免的会出现数据不一致性情况，通常是发送成功后保存offset，那么在Agent异常退出或机器断电时可能会造成多余的数据。

在这里，Agent需要足够轻，这主要体现在运维和逻辑两个方面。Agent在每台机器上都会部署，运维成本、接入成本是需要考虑的。Agent不应该有解析日志、过滤、统计等动作，这些逻辑应该给数据消费者。倘若Agent有较多的逻辑，那它是不可完成的，不可避免的经常会有升级变更动作。

数据收集流程

数据收集这块的技术选择，Agent是用Go自己研发的，消息中间件Kafka，数据传输工具Flume。说到数据收集经常有人拿Flume和Kafka做比较，我看来这两者定位是不同的，Flume更倾向于数据传输本身，Kakfa是典型的消息中间件用于解耦生产者消费者。

具体架构上，Agent并没把数据直接发送到Kafka，在Kafka前面有层由Flume构成的forward。这样做有两个原因：

1. Kafka的API对非JVM系的语言支持很不友好，forward对外提供更加通用的http接口。

2. forward层可以做路由、Kafka topic和Kafka partition key等逻辑，进一步减少Agent端的逻辑。

forward层不含状态，完全可以做到水平扩展，不用担心成为瓶颈。出于高可用考虑，forward通常不止一个实例，这会带来日志顺序问题，Agent按一定规则（round-robin、failover等）来选择forward实例，即使Kafka partition key一样，由于forward层的存在，最终落入Kafka的数据顺序和Agent发送的顺序可能会不一样。我们对乱序是容忍的，因为产生日志的业务基本是分布式的，保证单台机器的日志顺序意义不大。如果业务对顺序性有要求，那得把数据直接发到Kafka，并选择好partition key，Kafka只能保证partition级的顺序性。

跨机房收集要点

多机房的情形，通过上述流程，先把数据汇到本地机房Kafka 集群，然后汇聚到核心机房的Kafka，最终供消费者使用。由于Kafka的mirror对网络不友好，这里我们选择更加的简单的Flume去完成跨机房的数据传送。Flume在不同的数据源传输数据还是比较灵活的，但有几个点需要注意：

1. memory-channel效率高但可能有丢数据的风险，file-channel安全性高但性能不高。我们是用memory-channel，但把capacity设置的足够小，使内存中的数据尽可能少，在意外重启和断电时丢的数据很少。个人比较排斥file-channel，效率是一方面，另一个是对Flume的期望是数据传输，引入file-channel时，它的角色会向存储转变，这在整个流程中是不合适的。通常Flume的sink端是Kafka和HDFS这种可用性和扩张性比较好的系统，不用担心数据拥堵问题。

2. 默认的http souce 没有设置线程池，有性能问题，如果有用到，需要自己修改代码。

3. 单sink速度跟不上时，需要多个sink。像跨机房数据传输网络延迟高单rpc sink吞吐上不去和HDFS sink效率不高情形，我们在一个channel后会配十多个sink。

Kafka使用要点

Kafka在性能和扩展性很不错，以下几个点需要注意下：

1. topic的划分，大topic对生产者有利且维护成本低，小topic对消费者比较友好。如果是完全不相关的相关数据源且topic数不是发散的，优先考虑分topic。

2. Kafka的并行单位是partition，partition数目直接关系整体的吞吐量，但parition数并不是越大越高，3个partition就能吃满一块普通硬盘IO了。所以partition数是由数据规模决定，最终还是需要硬盘来抗。

3. partition key选择不当，可能会造成数据倾斜。在对数据有顺序性要求才需使用partition key。Kafka的producer sdk在没指定partition key时，在一定时间内只会往一个partition写数据，这种情况下当producer数少于partition数也会造成数据倾斜，可以提高producer数目来解决这个问题。

数据离线和实时计算

数据到Kafka后，一路数据同步到HDFS，用于离线统计。另一路用于实时计算。由于今天时间有限，接下来只能和大家分享下实时计算的一些经验。

实时计算我们选择的Spark Streaming。我们目前只有统计需求，没迭代计算的需求，所以Spark Streaming使用比较保守，从Kakfa读数据统计完落入mongo中，中间状态数据很少。带来的好处是系统吞吐量很大，但几乎没遇到内存相关问题

Spark Streaming对存储计算结果的数据库tps要求较高。比如有10万个域名需要统计流量，batch interval为10s，每个域名有4个相关统计项，算下来平均是4万 tps，考虑到峰值可能更高，固态硬盘上的mongo也只能抗1万tps，后续我们会考虑用redis来抗这么高的tps

有外部状态的task逻辑上不可重入的，当开启speculation参数时候，可能会造成计算的结果不准确。说个简单的例子。这个任务，如果被重做了，会造成落入mongo的结果比实际多。

有状态的对象生命周期不好管理，这种对象不可能做到每个task都去new一个。我们的策略是一个JVM内一个对象，同时在代码层面做好并发控制。类似下面。

在Spark1.3的后版本，引入了 Kafka Direct API试图来解决数据准确性问题，使用Direct在一定程序能缓解准确性问题，但不可避免还会有一致性问题。为什么这样说呢？Direct API 把Kafka consumer offset的管理暴露出来(以前是异步存入ZooKeeper)，当保存计算结果和保存offset在一个事务里，才能保证准确。

这个事务有两种手段做到，一是用MySQL这种支持事务的数据库保存计算结果offset，一是自己实现两阶段提交。这两种方法在流式计算里实现的成本都很大。其次Direct API 还有性能问题，因为它到计算的时候才实际从Kafka读数据，这对整体吞吐有很大影响。

七牛数据平台规模

要分享的就这些了，最后秀下我们线上的规模：Flume ＋ Kafka ＋ Spark8台高配机器，日均500亿条数据，峰值80万tps。

阅读全文

SparkUCBerkeleyAMPlab所源类HadoopMapReduce通用并行计算框架Spark基于mapreduce算实现布式计算拥HadoopMapReduce所具优点；同于MapReduceJob间输结保存内存再需要读写HDFSSpark能更适用于数据挖掘与机器习等需要迭代mapreduce算优势应该于布式架构比较相似能快速手吧