“數(shù)據(jù)智能” (Data Intelligence) 有一個必須且基礎(chǔ)的環(huán)節(jié)，就是數(shù)據(jù)倉庫的建設(shè)，同時，數(shù)據(jù)倉庫也是公司數(shù)據(jù)發(fā)展到一定規(guī)模后必然會提供的一種基礎(chǔ)服務(wù)。從智能商業(yè)的角度來講，數(shù)據(jù)的結(jié)果代表了用戶的反饋，獲取結(jié)果的及時性就顯得尤為重要，快速的獲取數(shù)據(jù)反饋能夠幫助公司更快的做出決策，更好的進行產(chǎn)品迭代，實時數(shù)倉在這一過程中起到了不可替代的作用。

本文主要講述知乎的實時數(shù)倉實踐以及架構(gòu)的演進，這包括以下幾個方面

• 實時數(shù)倉 1.0 版本，主題： ETL 邏輯實時化，技術(shù)方案： Spark Streaming。
• 實時數(shù)倉 2.0 版本，主題：數(shù)據(jù)分層，指標計算實時化，技術(shù)方案： Flink Streaming。
• 實時數(shù)倉未來展望：Streaming SQL 平臺化，元信息管理系統(tǒng)化，結(jié)果驗收自動化。

實時數(shù)倉 1.0 版本

1.0 版本的實時數(shù)倉主要是對流量數(shù)據(jù)做實時 ETL，并不計算實時指標，也未建立起實時數(shù)倉體系，實時場景比較單一，對實時數(shù)據(jù)流的處理主要是為了提升數(shù)據(jù)平臺的服務(wù)能力。實時數(shù)據(jù)的處理向上依賴數(shù)據(jù)的收集，向下關(guān)系到數(shù)據(jù)的查詢和可視化，下圖是實時數(shù)倉 1.0 版本的整體數(shù)據(jù)架構(gòu)圖。

如果想及時了解 Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

第一部分是數(shù)據(jù)采集，由三端 SDK 采集數(shù)據(jù)并通過 Log Collector Server 發(fā)送到 Kafka。第二部分是數(shù)據(jù) ETL，主要完成對原始數(shù)據(jù)的清洗和加工并分實時和離線導入 Druid。第三部分是數(shù)據(jù)可視化，由 Druid 負責計算指標并通過 Web Server 配合前端完成數(shù)據(jù)可視化。

其中第一、三部分的相關(guān)內(nèi)容請分別參考：知乎客戶端埋點流程、模型和平臺技術(shù)，Druid 與知乎數(shù)據(jù)分析平臺，此處我們詳細介紹第二部分。由于實時數(shù)據(jù)流的穩(wěn)定性不如離線數(shù)據(jù)流，當實時流出現(xiàn)問題后需要離線數(shù)據(jù)重刷歷史數(shù)據(jù)，因此實時處理部分我們采用了 lambda 架構(gòu)。

Lambda 架構(gòu)有高容錯、低延時和可擴展的特點，為了實現(xiàn)這一設(shè)計，我們將 ETL 工作分為兩部分：Streaming ETL 和 Batch ETL。

Streaming ETL

這一部分我會介紹實時計算框架的選擇、數(shù)據(jù)正確性的保證、以及 Streaming 中一些通用的 ETL 邏輯，最后還會介紹 Spark Streaming 在實時 ETL 中的穩(wěn)定性實踐。

計算框架選擇

在 2016 年年初，業(yè)界用的比較多的實時計算框架有 Storm 和 Spark Streaming。Storm 是純流式框架，Spark Streaming 用 Micro Batch 模擬流式計算，前者比后者更實時，后者比前者吞吐量大且生態(tài)系統(tǒng)更完善，考慮到知乎的日志量以及初期對實時性的要求，我們選擇了 Spark Streaming 作為實時數(shù)據(jù)的處理框架。

數(shù)據(jù)正確性保證

Spark Streaming 的端到端 Exactly-once 需要下游支持冪等、上游支持流量重放，這里我們在 Spark Streaming 這一層做到了 At-least-once，正常情況下數(shù)據(jù)不重不少，但在程序重啟時可能會重發(fā)部分數(shù)據(jù)，為了實現(xiàn)全局的 Exactly-once，我們在下游做了去重邏輯，關(guān)于如何去重后面我會講到。

通用 ETL 邏輯

ETL 邏輯和埋點的數(shù)據(jù)結(jié)構(gòu)息息相關(guān)，我們所有的埋點共用同一套 Proto Buffer Schema，大致如下所示。

message LogEntry {
optional BaseInfo base = 1;
optional DetailInfo detail = 2;
optional ExtraInfo extra = 3;
}

BaseInfo：日志中最基本的信息，包括用戶信息、客戶端信息、時間信息、網(wǎng)絡(luò)信息等日志發(fā)送時的必要信息。DetailInfo：日志中的視圖信息，包括當前視圖、上一個視圖等用于定位用戶所在位置的信息。ExtraInfo：日志中與特定業(yè)務(wù)相關(guān)的額外信息。

針對上述三種信息我們將 ETL 邏輯分為通用和非通用兩類，通用邏輯和各個業(yè)務(wù)相關(guān)，主要應(yīng)用于 Base 和 Detail 信息，非通用邏輯則是由需求方針對某次需求提出，主要應(yīng)用于 Extra 信息。這里我們列舉 3 個通用邏輯進行介紹，這包括：動態(tài)配置 Streaming、UTM 參數(shù)解析、新老用戶識別。

動態(tài)配置 Streaming

由于 Streaming 任務(wù)需要 7 * 24 小時運行，但有些業(yè)務(wù)邏輯，比如：存在一個元數(shù)據(jù)信息中心，當這個元數(shù)據(jù)發(fā)生變化時，需要將這種變化映射到數(shù)據(jù)流上方便下游使用數(shù)據(jù)，這種變化可能需要停止 Streaming 任務(wù)以更新業(yè)務(wù)邏輯，但元數(shù)據(jù)變化的頻率非常高，且在元數(shù)據(jù)變化后如何及時通知程序的維護者也很難。動態(tài)配置 Streaming 為我們提供了一個解決方案，該方案如下圖所示。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

我們可以把經(jīng)常變化的元數(shù)據(jù)作為 Streaming Broadcast 變量，該變量扮演的角色類似于只讀緩存，同時針對該變量可設(shè)置 TTL，緩存過期后 Executor 節(jié)點會重新向 Driver 請求最新的變量。通過這種機制可以非常自然的將元數(shù)據(jù)的變化映射到數(shù)據(jù)流上，無需重啟任務(wù)也無需通知程序的維護者。

UTM 參數(shù)解析

UTM 的全稱是 Urchin Tracking Module，是用于追蹤網(wǎng)站流量來源的利器，關(guān)于 UTM 背景知識介紹可以參考網(wǎng)上其他內(nèi)容，這里不再贅述。下圖是我們解析 UTM 信息的完整邏輯。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

流量數(shù)據(jù)通過 UTM 參數(shù)解析后，我們可以很容易滿足以下需求

• 查看各搜索引擎導流情況以及這些流量來自于哪些熱門搜索詞。
• 市場部某次活動帶來的流量大小，如：頁面瀏覽數(shù)、獨立訪問用戶數(shù)等。
• 從站內(nèi)分享出去的鏈接在各分享平臺(如：微信、微博)被瀏覽的情況。

新老用戶識別

對于互聯(lián)網(wǎng)公司而言，增長是一個永恒的話題，實時拿到新增用戶量，對于增長運營十分重要。例如：一次投放 n 個渠道，如果能拿到每個渠道的實時新增用戶數(shù)，就可以快速判斷出那些渠道更有價值。我們用下圖來表達 Streaming ETL 中是如何識別新老用戶的。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

判斷一個用戶是不是新用戶，最簡單的辦法就是維護一個歷史用戶池，對每條日志判斷該用戶是否存在于用戶池中。 由于日志量巨大，為了不影響 Streaming 任務(wù)的處理速度，我們設(shè)計了兩層緩存：Thread Local Cache 和 Redis Cache，同時用 HBase 做持久化存儲以保存歷史用戶。訪問速度：本地內(nèi)存 > 遠端內(nèi)存 > 遠端磁盤，對于我們這個任務(wù)來說，只有 1% 左右的請求會打到 HBase，日志高峰期 26w/s，完全不會影響任務(wù)的實時性。當然本地緩存 LruCache 的容量大小和 Redis 的性能也是影響實時性的兩個因素。

Streaming ETL 除了上述幾個通用場景外，還有一些其他邏輯，這些邏輯的存在有的是為了滿足下游更方便的使用數(shù)據(jù)的需求，有的是對某些錯誤埋點的修復，總之 Streaming ETL 在整個實時數(shù)倉中處于指標計算的上游，有著不可替代的作用。

Spark Streaming 在實時數(shù)倉 1.0 中的穩(wěn)定性實踐

Spark Streaming 消費 Kafka 數(shù)據(jù)推薦使用 Direct 模式。我們早期使用的是 High Level 或者叫 Receiver 模式并使用了 checkpoint 功能，這種方式在更新程序邏輯時需要刪除 checkpoint 否則新的程序邏輯就無法生效。另外，由于使用了 checkpoint 功能，Streaming 任務(wù)會保持和 Hdfs 通信，可能會因為 NameNode 的抖動導致 Streaming 任務(wù)抖動。因此，推薦使用 Direct 模式，關(guān)于這種模式和 Receiver 模式的詳細對比，可以參考官方文檔。

保證 Spark Streaming 任務(wù)的資源穩(wěn)定。以 Yarn 為例，運行 Streaming 任務(wù)的隊列能夠分配到的最小資源小于了任務(wù)所需要的資源，任務(wù)會出現(xiàn)頻繁丟失 Executor 的情況，這會導致 Streaming 任務(wù)變慢，因為丟失的 Executor 所對應(yīng)的數(shù)據(jù)需要重新計算，同時還需要重新分配 Executor。

Spark Streaming 消費 Kafka 時需要做數(shù)據(jù)流限速。默認情況下 Spark Streaming 以盡可能大的速度讀取消息隊列，當 Streaming 任務(wù)掛了很久之后再次被啟動時，由于拉取的數(shù)據(jù)量過大可能會導致上游的 Kafka 集群 IO 被打爆進而出現(xiàn) Kafka 集群長時間阻塞?？梢允褂?Streaming Conf 參數(shù)做限速，限定每秒拉取的最大速度。

Spark Streaming 任務(wù)失敗后需要自動拉起。長時間運行發(fā)現(xiàn)，Spark Streaming 并不能 7 * 24h 穩(wěn)定運行，我們用 Supervisor 管理 Driver 進程，當任務(wù)掛掉后 Driver 進程將不復存在，此時 Supervisor 將重新拉起 Streaming 任務(wù)。

Batch ETL

接下來要介紹的是 Lambda 架構(gòu)的第二個部分：Batch ETL，此部分我們需要解決數(shù)據(jù)落地、離線 ETL、數(shù)據(jù)批量導入 Druid 等問題。針對數(shù)據(jù)落地我們自研了 map reduce 任務(wù) Batch Loader，針對數(shù)據(jù)修復我們自研了離線任務(wù) Repair ETL，離線修復邏輯和實時邏輯共用一套 ETL Lib，針對批量導入 ProtoParquet 數(shù)據(jù)到 Druid，我們擴展了 Druid 的導入插件。

Repair ETL

數(shù)據(jù)架構(gòu)圖中有兩個 Kafka，第一個 Kafka 存放的是原始日志，第二個 Kafka 存放的是實時 ETL 后的日志，我們將兩個 Kafka 的數(shù)據(jù)全部落地，這樣做的目的是為了保證數(shù)據(jù)鏈路的穩(wěn)定性。因為實時 ETL 中有大量的業(yè)務(wù)邏輯，未知需求的邏輯也許會給整個流量數(shù)據(jù)帶來安全隱患，而上游的 Log Collect Server 不存在任何業(yè)務(wù)邏輯只負責收發(fā)日志，相比之下第一個 Kafka 的數(shù)據(jù)要安全和穩(wěn)定的多。Repair ETL 并不是經(jīng)常啟用，只有當實時 ETL 丟失數(shù)據(jù)或者出現(xiàn)邏輯錯誤時，才會啟用該程序用于修復日志。

Batch Load 2 HDFS

前面已經(jīng)介紹過，我們所有的埋點共用同一套 Proto Buffer Schema，數(shù)據(jù)傳輸格式全部為二進制。我們自研了落地 Kafka PB 數(shù)據(jù)到 Hdfs 的 Map Reduce 任務(wù) BatchLoader，該任務(wù)除了落地數(shù)據(jù)外，還負責對數(shù)據(jù)去重。在 Streaming ETL 階段我們做到了 At-least-once，通過此處的 BatchLoader 去重我們實現(xiàn)了全局 Exactly-once。BatchLoader 除了支持落地數(shù)據(jù)、對數(shù)據(jù)去重外，還支持多目錄分區(qū)(p_date/p_hour/p_plaform/p_logtype)、數(shù)據(jù)回放、自依賴管理(早期沒有統(tǒng)一的調(diào)度器)等。截止到目前，BatchLoader 落地了 40+ 的 Kakfa Topic 數(shù)據(jù)。

Batch Load 2 Druid

采用 Tranquility 實時導入 Druid，這種方式強制需要一個時間窗口，當上游數(shù)據(jù)延遲超過窗值后會丟棄窗口之外的數(shù)據(jù)，這種情況會導致實時報表出現(xiàn)指標錯誤。為了修復這種錯誤，我們通過 Druid 發(fā)起一個離線 Map Reduce 任務(wù)定期重導上一個時間段的數(shù)據(jù)。通過這里的 Batch 導入和前面的實時導入，實現(xiàn)了實時數(shù)倉的 Lambda 架構(gòu)。

實時數(shù)倉 1.0 的幾個不足之處

到目前為止我們已經(jīng)介紹完 Lambda 架構(gòu)實時數(shù)倉的幾個模塊，1.0 版本的實時數(shù)倉有以下幾個不足

• 所有的流量數(shù)據(jù)存放在同一個 Kafka Topic 中，如果下游每個業(yè)務(wù)線都要消費，這會導致全量數(shù)據(jù)被消費多次，Kafka 出流量太高無法滿足該需求。
• 所有的指標計算全部由 Druid 承擔，Druid 同時兼顧實時數(shù)據(jù)源和離線數(shù)據(jù)源的查詢，隨著數(shù)據(jù)量的暴漲 Druid 穩(wěn)定性急劇下降，這導致各個業(yè)務(wù)的核心報表不能穩(wěn)定產(chǎn)出。
• 由于每個業(yè)務(wù)使用同一個流量數(shù)據(jù)源配置報表，導致查詢效率低下，同時無法對業(yè)務(wù)做數(shù)據(jù)隔離和成本計算。

實時數(shù)倉 2.0 版本

隨著數(shù)據(jù)量的暴漲，Druid 中的流量數(shù)據(jù)源經(jīng)常查詢超時同時各業(yè)務(wù)消費實時數(shù)據(jù)的需求也開始增多，如果繼續(xù)沿用實時數(shù)倉 1.0 架構(gòu)，需要付出大量的額外成本。于是，在實時數(shù)倉 1.0 的基礎(chǔ)上，我們建立起了實時數(shù)倉 2.0，梳理出了新的架構(gòu)設(shè)計并開始著手建立實時數(shù)倉體系，新的架構(gòu)如下圖所示。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

原始層

實時數(shù)倉 1.0 我們只對流量數(shù)據(jù)做 ETL 處理，在 2.0 版本中我們加入了對業(yè)務(wù)庫的變更日志 Binlog 的處理，Binlog 日志在原始層為庫級別或者 Mysql 實例級別，即：一個庫或者實例的變更日志存放在同一個 Kafka Topic 中。同時隨著公司業(yè)務(wù)的發(fā)展不斷有新 App 產(chǎn)生，在原始層不僅采集「知乎」日志，像知乎極速版以及內(nèi)部孵化項目的埋點數(shù)據(jù)也需要采集，不同 App 的埋點數(shù)據(jù)仍然使用同一套 PB Schema。

明細層

明細層是我們的 ETL 層，這一層數(shù)據(jù)是由原始層經(jīng)過 Streaming ETL 后得到。其中對 Binlog 日志的處理主要是完成庫或者實例日志到表日志的拆分，對流量日志主要是做一些通用 ETL 處理，由于我們使用的是同一套 PB 結(jié)構(gòu)，對不同 App 數(shù)據(jù)處理的邏輯代碼可以完全復用，這大大降低了我們的開發(fā)成本。

匯總層之明細匯總

明細匯總層是由明細層通過 ETL 得到，主要以寬表形式存在。業(yè)務(wù)明細匯總是由業(yè)務(wù)事實明細表和維度表 Join 得到，流量明細匯總是由流量日志按業(yè)務(wù)線拆分和流量維度 Join 得到。流量按業(yè)務(wù)拆分后可以滿足各業(yè)務(wù)實時消費的需求，我們在流量拆分這一塊做到了自動化，下圖演示了流量數(shù)據(jù)自動切分的過程。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

Streaming Proxy 是流量分發(fā)模塊，它消費上游 ETL 后的全量數(shù)據(jù)并定期讀取埋點元信息，通過將流量數(shù)據(jù)與元信息數(shù)據(jù)進行「Join」完成按業(yè)務(wù)進行流量拆分的邏輯，同時也會對切分后的流量按業(yè)務(wù)做 ETL 處理。 只要埋點元信息中新增一個埋點，那么這個埋點對應(yīng)的數(shù)據(jù)就會自動切分到該業(yè)務(wù)的 Kafka 中，最終業(yè)務(wù) Kafka 中的數(shù)據(jù)是獨屬于當前業(yè)務(wù)的且已經(jīng)被通用 ETL 和業(yè)務(wù) ETL 處理過，這大大降低了各個業(yè)務(wù)使用數(shù)據(jù)的成本。

匯總層之指標匯總

指標匯總層是由明細層或者明細匯總層通過聚合計算得到，這一層產(chǎn)出了絕大部分的實時數(shù)倉指標，這也是與實時數(shù)倉 1.0 最大的區(qū)別。知乎是一個生產(chǎn)內(nèi)容的平臺，對業(yè)務(wù)指標的匯總我們可以從內(nèi)容角度和用戶角度進行匯總，從內(nèi)容角度我們可以實時統(tǒng)計內(nèi)容(內(nèi)容可以是答案、問題、文章、視頻、想法)的被點贊數(shù)、被關(guān)注數(shù)、被收藏數(shù)等指標，從用戶角度我可以實時統(tǒng)計用戶的粉絲數(shù)、回答數(shù)、提問數(shù)等指標。對流量指標的匯總我們分為各業(yè)務(wù)指標匯總和全局指標匯總。對各業(yè)務(wù)指標匯總，我們可以實時統(tǒng)計首頁、搜索、視頻、想法等業(yè)務(wù)的卡片曝光數(shù)、卡片點擊數(shù)、CTR 等，對全局指標匯總我們主要以實時會話為主，實時統(tǒng)計一個會話內(nèi)的 PV 數(shù)、卡片曝光數(shù)、點擊數(shù)、瀏覽深度、會話時長等指標。

指標匯總層的存儲選型

不同于明細層和明細匯總層，指標匯總層需要將實時計算好的指標存儲起來以供應(yīng)用層使用。我們根據(jù)不同的場景選用了 HBase 和 Redis 作為實時指標的存儲引擎。Redis 的場景主要是滿足帶 Update 操作且 OPS 較高的需求，例如：實時統(tǒng)計全站所有內(nèi)容(問題、答案、文章等)的累計 PV 數(shù)，由于瀏覽內(nèi)容產(chǎn)生大量的 PV 日志，可能高達幾萬或者幾十萬每秒，需要對每一條內(nèi)容的 PV 進行實時累加，這種場景下選用 Redis 更為合適。HBase 的場景主要是滿足高頻 Append 操作、低頻隨機讀取且指標列較多的需求，例如：每分鐘統(tǒng)計一次所有內(nèi)容的被點贊數(shù)、被關(guān)注數(shù)、被收藏數(shù)等指標，將每分鐘聚合后的結(jié)果行 Append 到 HBase 并不會帶來性能和存儲量的問題，但這種情況下 Redis 在存儲量上可能會出現(xiàn)瓶頸。

指標計算打通指標系統(tǒng)和可視化系統(tǒng)

指標口徑管理依賴指標系統(tǒng)，指標可視化依賴可視化系統(tǒng)，我們通過下圖的需求開發(fā)過程來講解如何將三者聯(lián)系起來。

如果想及時了解Spark、Hadoop或者Hbase相關(guān)的文章，歡迎關(guān)注微信公共帳號：iteblog_hadoop

1.需求方整理好需求文檔后向數(shù)倉工程師提出需求并約會議評審需求，需求文檔中必須包含指標的計算口徑和指標對應(yīng)的維度。

2.數(shù)倉工程師根據(jù)需求文檔對需求進行評審，評審不通過則返回需求方進一步整理需求并重新提需。

3.在需求評審通過后，數(shù)倉工程師開始排期開發(fā)

•  首先在可視化系統(tǒng)中創(chuàng)建一個數(shù)據(jù)源，這個數(shù)據(jù)源是后期配置實時報表的數(shù)據(jù)源，創(chuàng)建數(shù)據(jù)源也即在 HBase 中創(chuàng)建一張 HBase 表。
•  針對該數(shù)據(jù)源創(chuàng)建指標列，創(chuàng)建指標列也即在 HBase 列族中創(chuàng)建列，創(chuàng)建指標列的同時會將該指標信息錄入指標管理系統(tǒng)。
•  針對該數(shù)據(jù)源綁定維表，這個維表是后期配置多維報表時選用維度值要用的，如果要綁定的維表已經(jīng)存在，則直接綁定，否則需要導入維表。
•  一個完整的數(shù)據(jù)源創(chuàng)建后，數(shù)倉工程師才能開發(fā)實時應(yīng)用程序，通過應(yīng)用程序?qū)⒍嗑S指標實時寫入已創(chuàng)建的數(shù)據(jù)源中。

4.需求方根據(jù)已創(chuàng)建的數(shù)據(jù)源直接配置實時報表。

應(yīng)用層

應(yīng)用層主要是使用匯總層數(shù)據(jù)以滿足業(yè)務(wù)需求。應(yīng)用層主要分三塊：

1.通過直接讀取指標匯總數(shù)據(jù)做實時可視化，滿足固化的實時報表需求，這部分由實時大盤服務(wù)承擔;

2. 推薦算法等業(yè)務(wù)直接消費明細匯總數(shù)據(jù)做實時推薦;

3. 通過 Tranquility 程序?qū)崟r攝入明細匯總數(shù)據(jù)到 Druid，滿足實時多維即席分析需求。

實時數(shù)倉 2.0 中的技術(shù)實現(xiàn)

相比實時數(shù)倉 1.0 以 Spark Streaming 作為主要實現(xiàn)技術(shù)，在實時數(shù)倉 2.0 中，我們將 Flink 作為指標匯總層的主要計算框架。 Flink 相比 Spark Streaming 有更明顯的優(yōu)勢，主要體現(xiàn)在：低延遲、Exactly-once 語義支持、Streaming SQL 支持、狀態(tài)管理、豐富的時間類型和窗口計算、CEP 支持等。

我們在實時數(shù)倉 2.0 中主要以 Flink 的 Streaming SQL 作為實現(xiàn)方案。使用 Streaming SQL 有以下優(yōu)點：易于平臺化、開發(fā)效率高、維度成本低等。目前 Streaming SQL 使用起來也有一些缺陷：1. 語法和 Hive SQL 有一定區(qū)別，初使用時需要適應(yīng);2.UDF 不如 Hive 豐富，寫 UDF 的頻率高于 Hive。

實時數(shù)倉 2.0 取得的進展

1. 在明細匯總層通過流量切分滿足了各個業(yè)務(wù)實時消費日志的需求。目前完成流量切分的業(yè)務(wù)達到 14+，由于各業(yè)務(wù)消費的是切分后的流量，Kafka 出流量下降了一個數(shù)量級。
2. 各業(yè)務(wù)核心實時報表可以穩(wěn)定產(chǎn)出。由于核心報表的計算直接由數(shù)倉負責，可視化系統(tǒng)直接讀取實時結(jié)果，保證了實時報表的穩(wěn)定性，目前多個業(yè)務(wù)擁有實時大盤，實時報表達 40+。
3. 提升了即席查詢的穩(wěn)定性。核心報表的指標計算轉(zhuǎn)移到數(shù)倉，Druid 只負責即席查詢，多維分析類的需求得到了滿足。
4. 成本計算需求得到了解決。由于各業(yè)務(wù)擁有了獨立的數(shù)據(jù)源且各核心大盤由不同的實時程序負責，可以方便的統(tǒng)計各業(yè)務(wù)使用的存儲資源和計算資源

實時數(shù)倉未來展望

從實時數(shù)倉 1.0 到 2.0，不管是數(shù)據(jù)架構(gòu)還是技術(shù)方案，我們在深度和廣度上都有了更多的積累。隨著公司業(yè)務(wù)的快速發(fā)展以及新技術(shù)的誕生，實時數(shù)倉也會不斷的迭代優(yōu)化。短期可預見的我們會從以下方面進一步提升實時數(shù)倉的服務(wù)能力。

1. Streaming SQL 平臺化。目前 Streaming SQL 任務(wù)是以代碼開發(fā) maven 打包的方式提交任務(wù)，開發(fā)成本高，后期隨著 Streaming SQL 平臺的上線，實時數(shù)倉的開發(fā)方式也會由 Jar 包轉(zhuǎn)變?yōu)?SQL 文件。
2. 實時數(shù)據(jù)元信息管理系統(tǒng)化。對數(shù)倉元信息的管理可以大幅度降低使用數(shù)據(jù)的成本，離線數(shù)倉的元信息管理已經(jīng)基本完善，實時數(shù)倉的元信息管理才剛剛開始。
3. 實時數(shù)倉結(jié)果驗收自動化。對實時結(jié)果的驗收只能借助與離線數(shù)據(jù)指標對比的方式，以 Hive 和 Kafka 數(shù)據(jù)源為例，分別執(zhí)行 Hive SQL 和 Flink SQL，統(tǒng)計結(jié)果并對比是否一致實現(xiàn)實時結(jié)果驗收的自動化。