阿里HBase的数据管道设施实践与演进

摘要：摘要第九届中国数据库技术大会，阿里巴巴技术专家孟庆义对阿里的数据管道设施实践与演进进行了讲解。它必须在把风险做完，风控是根据长期的历史信息近期历史的信息和实时的信息三个方向做综合考量。

摘要：第九届中国数据库技术大会，阿里巴巴技术专家孟庆义对阿里HBase的数据管道设施实践与演进进行了讲解。主要从数据导入场景、 HBase Bulkload功能、HImporter系统、数据导出场景、HExporter系统这些部分进行了讲述。

直播视频请点击
PPT下载请点击
精彩视频整理：

数据导入场景

生意参谋

生意参谋是一种为商家服务，帮助商家进行决策和运营的数据产品。如在淘宝或天猫上开一家店，生意参谋会提供店里每天进入的流量、转化率、客户的画像和同行业进行对比这些数据属于什么位置。商家可以根据流量分析、活动分析和行业分析去进行决策。可以根据平时日志、点击量和访问量，数据库把数据通过实时的流处理写入HBase。有一部分写到离线系统里，定期做一些清洗和计算再写入HBase，然后供业务去查询 HBase。

蚂蚁风控
在蚂蚁上任何一笔交易支付都会调用风控，风控主要是去看这次交易是否属于同一个设备，是否是经常交易的地点，以及交易的店铺信息。它必须在100ms—200ms把风险做完，风控是根据长期的历史信息、近期历史的信息和实时的信息三个方向做综合考量。用户的输入会实时的写入HBase，同时这个实时的信息增量也会导入到离线系统里面，离线系统会定期的对数据进行计算，计算的数据结果会作为历史或近期历史再写回HBase，一个支付可能会调百十次的风控，而且需要在百毫秒内进行返回。

数据导入需要解决的问题
2013年刚刚开始做数据导入的时候面临的更多的是功能需求性的问题，现在需要考虑的是导入的周期性调度、异构数据源多、导入效率高和多集群下的数据一致性的问题。前两个问题更适合由平台化去解决，HBase的数据导入更关注的是导入效率和多集群下的数据的一致性。

什么是Bulkload？Bulkload有什么功能？

Bulkload使用的是一种新的结构LSM Tree进行写入更新，其结构如上图所示。使用Application code 进行数据写入，数据会被写入到MemStore，MemStore在HBase里是一个跳表，可以把它看成一个有序的列表，并不断往里面插入数据。当数据达到一定量时就会启动flush对数据进行编码和压缩，并写成HFile。HFile是由索引块和数据块组成的文件结构，其特点是只读性，生成HFile之后就不可改了。当用户进行读取数据的时候，就会从三个HFile和一个MemStore进行查找进行读取。这个结构的优化就是就把随机的写变成了有序的写。Bulkload就可以把上千上万条数据在毫秒内加入到HBase里。所以Bulkload的优势如下：

高吞吐

不需要WAL

避免small compaction

支持离线构建

Bulkload的导入结构如上图所示，数据来源于数仓，首先根据HBase的分区规则对数据进行分区和排序。然后会生成Partition Data，需要写一个HBase插进去。同步中心就会调动一个作业，作业内部会有很多的tasks，每个task独立的执行把文件读出，写到HDFS上，形成一个HFile文件。当把所有文件写完，同步中心就会调Bulkload指令到HBase，把所有的HFile一次性的load进去。
以前采用的是多集群导入的方法，但是多集群导入有很多缺点如下：

很难保证多个任务同时完成，导致一定时间窗口内数据不一致

调度后的运行环境不一致

网络延迟不一致

失败重试

集群部署对业务不透明的缺点：

需要配置多个任务

集群迁移需要重新配置任务

为了保证数据的一致性，采用了逻辑集群导入法。

逻辑集群的流程如上图所示，首先进行分区合并，然后进行双数据流处理，把流分别写到Active和Backup里，当Active和Backup的HFile文件写完后执行Bulkload。因为Bulkload是毫秒级别的，所以能实现一致性。
多任务和逻辑集群的差别比较如下：

多任务模式：需要重复配置，是不透明的，很难保证一致性，分区排序
需要执行两次，编码压缩两次。
逻辑集群模式：配置一次，迁移无感知，在一致性上达到毫秒级，分区排序是执行一次，但分区数量变多，编码压缩一次。
随着业务做得越来越大，这种导入就会遇到新的线上问题，如扩展性、资源利用率、研发效率、监控等。
什么是HImporter系统？
HImporter是用于辅助数据同步的中间层，他会把所有HFile的构建，加载逻辑下沉到HImporter层。

HImporter所处的位置如上图所示。
HImporter的优势
分布式水平扩展，同一个作业的不同任务可以调度到HImporter的不同worker节点
提高资源利用率，将压缩等CPU密集操作下降到HImporter
快速迭代，HImporter的运维和迭代与同步中心独立
独立监控，HImporter可按照自己的需求实现监控
HImporter 功能迭代
功能迭代主要包括表属性感知、保证本地化率、支持轻量计算和安全隔离。其中表属性感知就是感知特性，并保证特征不会变，主要包括、混合存储、新压缩编码、表级别副本数；保证本地化率是将Hfile写入到分区所在服务器，保证本地化率和存储特性，对一些rt敏感的业务效果明显；支持轻量计算就是支持MD5，字符串拼接等函数；安全隔离是避免对外暴露HDFS地址、支持Task级别重试。

数据导出场景
菜鸟联盟

菜鸟联盟的场景如上图所示。一个物流详情会传到HBase，HBase会传到数据仓库，数据仓会产生报表，然后去训练路由算法。
淘宝客服

淘宝客服的一个退款应用场景如上图。这是一个逆向链接，把退款、纠纷、退款物流、退款费用等实时的写入到HBase里，HBase会实时的写入queue里，blink流系统会消费queue产生一些数据会返回到HBase，blink输出会支撑智能服务、客户监控等。
增量数据导出需要解决的问题
增量数据导出需要解决的问题主要是离线数据的T+1处理特点、吞吐量 、实时性、主备流量切换等。
早期的方案是会周期性的从HDFS里把所有的日志罗列出来，然后对日志进行排序会产生一个有序的时间流。取work里同步时间最短的作为最终的同步时间。这种方案具有对NN节点造成很大压力、无法应对主备切换、日志热点处理能力低等问题。

HExporter系统

HExporter1.0如上图所示，HExporter1.0优势主要有主备流量切换不影响数据导出，能够识别数据来源，过滤非原始数据；独立的同步时间流，能够保障数据按有序时间分区Dump到数据仓库；复用HBase replication框架，能够降低开发工作量，复用HBase的监控，运维体系。
HExporter1.0 优化主要包括以下五点：
减少拓扑网络中的数据发送，备库避免向Exporter发送重复数据；
远程辅助消化器，空闲的机器帮助消化热点；
避免发送小包，HExporter在接收到小包后，等待一段时间再处理；
同步通道配置隔离，实时消费链路和离线消费链路可以采用不同的配置；
数据发送前压缩。
HExporter1.0的问题是业务写入流量产生高峰，离线出现同步延迟；HBase升级速度慢。然后我们就有了以下解决思路，离线同步的资源可以和在线资源隔离，利用离线大池子可以削峰填谷；Exporter的worker是无状态的，如果把所有逻辑都放在Exporter，那么升级、扩容会简单快速。然后就产生了HExporter2.0。

HExporter2.0如上图所示

总结

ALiHBase数据通道的导入和导出都是添加了中间层，中间层的核心价值易扩展、可靠性高、迭代快和稳定。因为采用分布式水平扩展更易扩展；采用自主识别主备切换，封装对HBase访问更可靠；采用架构解耦，快速迭代使迭代速度更快；因为无状态，节点对等所以更加稳定。

原文链接