说明

讲师：首席架构师 李智慧

大数据平台

大数据技术应用的挑战

大数据计算的海量分布式计算方案，必然导致计算速度不是很快，即使在一个规模不太大的数据集上进行一次简单计算，MapReduce 也可能需要几分钟，Spark 快一点，也至少需要数秒的时间。

互联网产品处理用户请求，通常需要毫秒级的响应，也就是说，要在 1 秒内完成计算，大数据计算必然不能实现这样的响应要求。但是互联网应用又需要使用大数据，实现统计分析、数据挖掘、关联推荐、用户画像等一系列功能。

那么如何才能弥补互联网和大数据之间的差异呢？

大数据平台架构

蓝色部分归属于大数据平台范围。

大数据处理流程：

1. App、浏览器的用户数据、日志、打点采集的数据、爬虫的数据存储到数据库；
2. 数据同步系统，比如消息队列导入到大数据存储系统 HDFS；
3. 大数据计算, 通过 MapReduce, Spark, Hive计算，结果还是写到 HDFS 里面；实时流大数据处理 Stomr, Spark Streaming, Flink;
4. 数据同步系统，导出数据到 数据库。实时流大数据流，可以订阅结果，实时输出分析报表，进行活动方案调整，比如双十一当天活动。
5. 应用把结果导出报表，看看应用的bug在哪里，通知开发人员去解决；
6. 数据监控把结果导出报表，看看业务是否有什么异常，如果有就要采取相应的策略；
7. 运营决策把结果导出报表，看看运营策略效果如何，进行运行活动调整。

纠错： 数据处理层的批量数据同步，的头应该从 大数据存储(HDFS) 指出。

数据采集与导入

将应用程序产生的数据和日志等同步到大数据系统中，由于数据源不同，这里的数据同步系统实际上是多个相关系统的组合。数据库同步通常用 Sqoop，日志同步可以选择 Flume，打点采集的数据经过格式化转换后通过 Kafka 等消息队列进行传递。

不同的数据源产生的数据质量可能差别很大，数据库中的数据也许可以直接导入大数据系统就可以使用了，而日志和爬虫产生的数据就需要进行大量的清洗、转化处理才能有效使用。

用 Sqoop 导入导出数据库数据

批处理用 Sqoop

用 Canal 实时导入 MySQL 数据

处理 MySQL 数据，可以一条一条实时同步数据。

原理： Canal 把自己伪装为 MySQL的 Slave。

用 Flume 从日志导入数据

Flume 级联部署

Flume 分布式部署

前端埋点采集数据

• 核心数据： 用户增加、流失等，实时上报；
• 实时数据：用户操作数据，实时上报；
• 离线数据：非核心数据，存储到手机本地，当连接 WiFi的情况下才上传；

网络爬虫收集外部数据

爬虫一般是爬取竞争对手，或者政府机构的数据。
重点是如何突破竞争对手的反爬虫系统。

数据输出与展示

大数据计算产生的数据还是写入到 HDFS 中，但应用程序不可能到 HDFS 中读取数据，所以必须要将 HDFS 中的数据导出到数据库中。数据同步导出相对比较容易，计算产生的数据都比较规范，稍作处理就可以用 Sqoop 之类的系统导出到数据库。

这时，应用程序就可以直接访问数据库中的数据，实时展示给用户，比如展示给用户关联推荐的产品。淘宝卖家的量子魔方之类的产品，其数据都来自大数据计算产生。

除了给用户访问提供数据，大数据还需要给运营和决策层提供各种统计报告，这些数据也写入数据库，被相应的后台运营和管理人员访问，查看数据报表，看业务是否正常。

大数据平台 Lamda 架构原型

淘宝大数据平台

淘宝大数据平台导入导出数据

美团大数据平台

• 数据源：Kafka消息队列之前，竞争对手抓取平台；
• 实时数据处理： Storm 流式计算；
• 离线数据处理： Camus 日志导出的中间那块；
• 大数据引擎的结果：DM DB，HBASE；
• 存储结果：查询中心；
• 调度系统：上面的流程由调度系统协调。

嘀嘀实时大数据平台

物联网平台

物联网架构

物联网大数据平台

总结

5G 在物联网应用会特别大，因为数据量特别大，可能带来的产值会跟互联网是同一个数量级的。5G 可能会带来未来的产业革命。架构师要关注新技术，能带来的技术革命。