网易云音乐基于Flink实时数仓实践本次ITPUB技术栈线上沙龙2020上

本次ITPUB技术栈线上沙龙2020上，网易云音乐Flink 提供SQL和SDK给用户使用;端到端血缘收集;数据源和任务监控完善。
文章插图
▲实时数仓的架构图
从最源头开始看实时数仓的架构图， SQL和SDK作为输入，直接去走Planner 。 Planner和SQL打通，可以解析整体的SQL语句。接下来，会有一个Catalog的注入，它接的是MetaHub(云数据中心) 。
文章插图
所有的元数据都被管控起来，就形成了一个系统，也就是元数据中心。它可以管理所有存在元数据系统的存储，并具备独立模块管理MQ元数据、插拔式元数据管理、统一数据类型、元数据检索等功能。
文章插图
数仓建设分为三个部分：统一表表示格式 (catalog.db.table) 、数仓分层，以及表权限管理。在做实时数仓时，我们完全以现有离线的数仓模式，复制出来一个实时数仓的表。
文章插图
SDK提供封装内部SQL执行逻辑，简易的API ，以及数据血缘收集。上图是用SDK做的一个DEMO ，这是真实的一个业务代码。之前是用了将近190多行代码去实现的，在封装之后总体不过十几行代码，方便用户使用。
文章插图
从数据、数据源、数据写出，我们均提供细粒度任务级别指标监控和MQ数据量监控。李涵淼认为， “当平台做到一定程度的时候，这种集群级别的监控是必不可少的。监控做的完善，对平台是一个很好的补充。 ”
三、实时数仓实践
文章插图
实时数仓第一个很典型的实践就是ABTest ，把原始数据存到HIVE里面去，再用Spark做清洗和聚合，然后再输到上层的表里。值得注意的是，实时数仓和离线数仓的分层，其实是一致的。
实时数仓版ABTest摆脱了之前HIVE+Spark的处理模式，应用效果非常好。
文章插图
实时数仓第二个典型的实践是实时报表，如上图所示，网易云音乐直播播放量的统计表格。实时报表建立任务更容易，数据问题定位更清晰。
第三个典型的实践是实时特征，具备特征复用和特征血缘展示。我们做过一个统计，各个算法团队做出来的任务，输出的特征很多都是重复的，这无形中就造成了资源的浪费，增加了团队开发的成本。
实时数仓对特征做了分层，所有的表根据业务做了隔离，并全部统一起来。算法团队如果想用一些特征的话，他可以直接在平台上搜索相关特征，然后根据其中包含的信息，做进一步的操作。
【网易云音乐基于Flink实时数仓实践】来自 “ ITPUB博客 ”，链接：，如需转