DataPipeline丨瓜子二手车基于Kafka的结构化数据流
一、为什么选择Kafka
为什么选Kafka？鉴于庞大的数据量，需要将其做成分布式，这时需要将Q里面的数据分到许多机器上进行存储，除此之外还有分布式的计算需求。同时需要支持多语言，如Java、GO、php等，另外还有高可用的需求。
二、Kafka集群
Realtime的Kafka集群通过Mirror Maker将数据全部同步到Analysis的Kafka集群。
Realtime的Kafka集群主要负责在线实时读写，Analysis负责很多工作，诸如数据的导入导出，数据的多次流出给集群和网络硬盘带来了较大压力。为保证线上的稳定性，要保证两边是隔开的。另外关于Topic目前有五万多，每秒可能会有100多万的数据流入流出。
三、Kafka的用户使用问题
1.参数配置问题， Kafka有很多参数需要配置，常用的集群配置，延迟，重要性等，需要封装。
开发测试不方便，使用者通常会有这样的需求：我的数据写进去没，消费没，他写的数据长什么样子，结构化的数据还需自己写代码来解析，等等。这些问题没有工具和平台来解决，会大大降低开发效率。
Topic申请不方便，topic是不能开放自己创建的，我们曾在测试环境开放过Topic，发现一周内涨到了好几万，而且参数千奇百怪，有全用默认参数的，有根据文档，时间先来10个9的，也有partition直接来100的。工单方式对管理者很不友好，需要登上服务器敲命令，效率低下，且容易出错。
结构化数据查询不方便，瓜子的结构化使用的是AVRO， 序列化之后的数据很难查看原始数据。
消费异常定位不便，比如消费的数据或者位置不对，如果想要回滚重新消费或跳过脏数据就面临各种问题。从哪个offset开始重新消费呢？或者跳到之后的哪个offset呢？另外就是滚动重启了一个服务，结果发现消费的数据少了一批，很有可能是某一个隐藏的consumer同时在用这个consumer group，但是找了一圈没找到哪个服务还没关掉。
不知道下游，如果写了生产者生产的Topic数据，却不知道有哪些consumer，如果要对Topic信息发生改变时，不知该通知谁，这是很复杂的事情。要么先上，下游出问题了自己叫，要么踌躇不前，先收集下游，当然实际情况一般是前者，经常鸡飞狗跳。
- 运维复杂，日常运维包括topic partition增加，帮助定位脏数据（因为他们不知道有脏数据），帮助排除配置问题等等。
四、解决方案：Kafka platform
为解决上述问题，瓜子上线了Kafka platform，主要面向用户和管理两方面的功能。
面向用户包括：查看数据，了解消费情况，方便地添加监控报警，以及如果出现问题后，快速查错的工具。
管理方面包括： 权限管理， 申请审批，还有一些常用操作。比如，seek offset， 或是删掉一个Topic，对partitions进行扩容等。
- 数据查询
可以通过offset查询对应offset的数据，也可以通过进入Kafka的大致时间，查询那段内的数据，可以看到每条信息的partition，offset，入Kafka的时间，AVRO的版本信息等。
- 消费查询
通过下图显示的界面可以查看一条消息，了解哪些consumer group已经消费了，哪些没有消费。
同时可以查看它现在正在被哪个IP进行消费，这时我们可以方便地定位到有个consumer没有关闭，它是在哪台机器上，这些来自于我们的实践经验。还可以看到每个consumer group的消费延迟情况，精确到条数，partition的延迟。也可以看到partition消息总数，可以排查一些消息不均的问题。
下图为监控报警，可以了解Topic的流入、流出数据，每秒写入多少条消息，多大的size，每秒流出的情况。
报警是对Topic建一些流量报警，或是一些延迟报警，建好之后只需要订阅一下即可，非常方便。
五、瓜子结构化数据流
目前有许多使用场景，比如前端埋点，tracking日志，Mysql数据同步，操作日志，一些诸如服务之间的交换，基于SQL的streaming，APM的数据，还有基于SQL的ETL等，都可以通过结构化将其快速同步到大数据中做后续分析。
我们是通过confluent提供的一整套解决方案来实现的。其中最主要的两个组件是：Schema Registry和Kafka Connect。Schema Registry用于存储schema信息，Kafka connect用于数据转移。
目前，瓜子除日志部分外，90%以上为结构化。为什么选择Avro？因为Avro速度快，并且跨语言支持，所有的Schema AVSC都是用JSON做的，对JSON支持的特别好，如果可能没人想为一个schema定义再学一门语言吧。而且通过JSON无需code generation。
但仅有avro还不够，我们在使用中会面临更多的问题，比如：
统一的schema中心，这与配置中心的必要性是一样的道理，没有统一的地方，口口相传，配置乱飞不是我们想看到的。
多版本的需求，schema是肯定会有更新需求的，也肯定有回滚需求，也会有兼容需求，所以多版本是需要满足的。
版本兼容性检查，设想一下上游改了一个schema的列名，下游写到hive的时候就蒙了，历史数据咋办啊，现在这列数据又怎么处理。所以得有版本兼容，而且最好满足下游所有组件的需求。
- schema得有注释，给人展示的schema最好能有给人读的注释，很多人昨天定义的enum，今天就忘了，这个事情很常见。
为解决这些问题，我们引入了confluence的Schema Registry。Confluence的Schema registry，通过RESTful接口，提供了类似配置中心的能力，还有完善的UI，支持版本兼容性检查，支持多版本等，完全满足了我们的需求。而且自带HA，通过Kafka存储配置信息，保证一致性。
五、瓜子的实践
当然，仅有这些还不够，我们在实践中遇到了很多问题，比如schema注册不可能完全开放，历史告诉我们完全的自由意味着混乱。为在实践中利用好avro，我们前后改了两个方案，来保证schema可控。
- 最初的方案
为实现统一管控，所有schema会通过git来管理，如果需要使用可以fork该git。如果要做一个上线，更新或添加一个schema，可以通过提merge request提交给管理员。管理员检查没有问题后直接通过gitlab-ci自动注册，管理员只需完成确认的操作。
但这样会出现一些问题，首先是上线流程太长，要上线或更新一个schema时，需要提交merge request，要等管理员收到邮件后才可查看，届时如果管理员发现schema写的不对，还需重新再走一次流程，中间可能花一天时间。且回滚复杂，没有权限管理。而且很多人会犯同样的错误，客服表示相当的浪费时间。
六、平台化解决方案
通过平台化解决方案，我们提供了一个类似于git的页面，可在上面直接提交schema，在下面直接点击校验，在评估新上线的schema是否有问题后，等待后台审批即可。其中可以加诸如权限管理等一些功能。
七、为什么用到Kafka connect
Kafka connect专注copy数据，把一个数据从data source转到Kafka，再从Kafka转到其它地方。它支持批和流，同时支持实时和批处理，比如5min同步一次。
另外，它支持多个系统之间互相copy，数据源可能是Mysql、SQL Server 也可能是Oracle 。sink可以是Hbase、Hive等。它自己定义了一套plugin接口，可以自己写很多数据源和不支持的sink。
并且他自己做到了分布式并行，支持完善的HA和load balance，还提供方便的RESTful 接口。
在没有Kafka connect之前，运维ETL非常麻烦。拿canal来说，canal有server和client，都需手动部署，如果你有100台canal节点1000个数据库，想想看吧，管理员如何知道哪台机器上跑了哪些库表，新增的任务又放在哪台机来运行。
此外，如果Mysql修改了一个字段，还需要让程序员去机器上看一下那张表是如何修改的，相应的所有下游都需相应的完成表结构修改之后， 才能跑起来，响应速度非常慢。
目前Kafka connect已经解决了这些问题。其具备一个非常重要的特性，如果上游数据根据AVRO兼容性进行的修改，connect会在下游同样做一些兼容性的修改，自动更改下游表结构，减轻了运维负担。
我们来看看Kafka connect 的架构，Kafka connect会把所有信息存到Kafka 中，其中config topic存元数据，Stutas topic指当前哪些节点正在跑什么样的job，offset topic指当前比如某个Topic的某个partitions到底消费到哪条数据。
WorKer都是无状态的，在上面可以跑许多task，同样一个task1，可能对应5个partitions，如果只给它三个并发，它会分布在三台机器上。如果一台机器挂了，这些job都会分配到另外两台机器，而且是实时同步的。
八、瓜子Plugins
瓜子对Kafka connect的很多plugins做了修改。
- Maxwell
其中我们把canal通过maxwell替换，并且把maxwell做成了Kafka connect的plugin。
原生的Maxwell不支持AVRO，瓜子通过debezium思想对Maxwell进行了修改，使其支持avro格式，并用Mysql管理meta，并且支持Mysql的数据库切换。
- HDFS
我们采用的是confluence公司的hdfs插件，但是其本身存在很多问题，比如写入hive的时候会把当做partition的列也写到主表数据中，虽然不影响hive的使用，但是影响presto读取hive，这里我们改了源码，去掉了主表中的这些列。
Hdfs在插件重启时会去hdfs中读取所有文件来确定从哪个offset继续，这里会有两个问题：耗时太长，切换集群时offset无法接续，我们也对他做了修改。
plugin写入hive时支持用Kafka的timestamp做分区，也支持用数据内的某些列做分区，但是不支持两者同时用，我们也修改了一下。
- HBase
Hbase的plugin只支持最原始的导出，我们会有些特殊的需求，比如对rowkey自定义一下，通常mysql主键是自增ID，hbase不推荐用自增ID做rowkey，我们会有reverse的需求，还有多列联合做rowkey的需求等，这个我们也改了源码，支持通过配置自定义rowkey生成。
原始plugin不支持kerberos，而我们online hbase是带权限的，所以也改了一下
还有一些小功能，比如把所有类型都先转成string再存，支持delete，支持json等。
- KUDU
我们对kudu的使用很多，kudu开源的plugin有些bug，我们发现后也fix了一下。
Kudu的数据来源都是mysql，但是经常会有mysql刷库的情况，这时量就会很大，kudu sink会有较大的延时，我们改了一下plugin，添加了自适应流量控制，自动扩充成多线程处理，也会在流量小时，自动缩容。
九、瓜子数据库的Data Pipeline
瓜子的数据仓库完全是基于Kafka、AVRO的结构化数据来做的。数据源非常多，需要将多个业务线的几千张表同步到数仓，对外提供服务。
整个数据仓库采用Lambda架构，分为T+1的存量处理和T+0.1的增量处理两个流程。
先说T+1的存量处理部分，目前瓜子将所有mysql表通过Maxwell插件放到Kafka中，再通过Kafka connect写到Hbase里，Hbase每天晚上做一次snapshot（快照），写到hive中，然后经过多轮ETL：DWB-->DWD-->DW-->DM，最后将DM层数据导入Kudu中，对外提供BI分析服务，当然离线olap分析还是通过presto直接访问Hive查询。
再说T+0.1的增量流程，同T+1一样，数据通过maxwell进入Kafka，这部分流程共用，然后增量数据会实时通过kudu的插件写入kudu中，再通过impala做ETL，生成数据对外提供T+0.1的查询，对外提供的查询是通过另一套impala来做的。 未来我们还会考虑通过Flink直接读取Kafka中数据来做实时ETL，提高实时性。
这是我们数仓架构的整体架构图
