大数据架构平台搭建指南

虽然大数据平台组件很多，但是对于没有参与建设过大数据平台的朋友来说，当前众多的大数据组件和平台架构容易让人眼花缭乱。

本文首先介绍了大数据架构平台的组件架构，便于了解大数据平台的全貌，然后分别介绍数据集成、存储与计算、分布式调度、查询分析等方面的观点，最后附上了某企业大数据平台整体架构设计方案PPT，值得借鉴。

01大数据平台架构

从图上可以看出，大数据架构平台分为：数据集成、存储与计算、分布式调度、查询分析等核心模块。我们就沿着这个架构图，来剖析大数据平台的核心技术。

02、数据集成
1. 日志同步开源日志收集系统有 Sqoop、Flume、Logstash、Filebeat、Vector 等，其中 Flume 在云原生场景用的多，Vector 是一个很高效的日志同步工具，刚开源不久。专家观点：

日志同步系统虽然本身比较成熟，但在平时工作中也属于重点，一是因为需要同步的数据量比较大，二是要保证日志输出的持续性，有缓存机制最大限度保障不丢日志，始终保持平稳的运行状态。

2. 数据抽取工具

大数据分析不能直接在原始的业务数据库上直接操作，所以需要抽取想要的数据到分析数据库或者分布式存储系统（例如 HDFS），常见数据抽取工具包括：DataX、BitSail 等。

DataxundefinedDataX 是阿里开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等各种异构数据源之间稳定高效的数据同步功能。

BitSail 项目是头条刚开源的，基于 Flink 开发，在自己内部业务应用广泛。BitSail 支持多种异构数据源间的数据同步，并提供离线、实时、全量、增量场景下的全域数据集成解决方案。

专家观点：

数据集成非常重要，因为跟业务方相关的第一个环节就是数据集成，数据集成如果出现问题比如速度慢、丢数据等，都会影响到业务方数据的使用，也会影响业务方对大数据平台的信任度。

3. 数据传输队列

数据传输有三种： Kafka：流式传输

RabbitMQ：队列传输

Pulsar：流式传输+队列传输

专家观点：

Kafka是Hadoop组件全家桶，名气更大，但是易用性还是差一点。

Pulsar 跟Kafka很像，不过架构比Kafka更先进，属于后起之秀。

03、数据处理：数据存储、计算

1. 数据存储：HDFSHDFS 特点：横向扩展，数据容错性高。

专家观点：

对于 HDFS 来说，优化是一个很重要的事情，因为 HDFS 的集群规模比较大，又要稳定，又要持续不断的应对业务挑战，优化这一块还是很重要的。如果集群负载大时，访问延迟，会影响集群整体使用效率。

HDFS 的优化趋势包括：架构改进、读写分离、读写优化等。

虽然 HDFS 是分布式文件系统，但在实际场景中，由于 NameNode 的单点和小文件过多导致的压力过大问题，其管理的数据节点是有限的。分布式文件系统的新趋势类似 JuiceFS 的架构，采用「数据」与「元数据」分离存储的架构，从而实现文件系统的分布式设计，利用元数据缓存极大提升整体文件系统的性能，同时兼容大数据和云原生场景的应用。

2. 数据计算

（1）离线计算引擎在众多的计算引擎中，MapReduce、Hive、Spark 等通常用于离线处理，即批计算。Storm、Spark Steaming 等处理实时计算的场景较多，即流计算。不得不说的是，Flink 既可以用于流计算，也可以用于批计算。其中 Hive 的用途很广，也很可靠，底层基于 MapReduce 的封装，属于 Hadoop 全家桶组件之一，缺点是只能实现离线批处理。Spark 是非常高效的批处理工具，成熟，稳定，比 Hive 快很多，并且还能实现近实时的数据处理能力。Spark 功能全，架构新，基于 RDD，计算过程中优先利用内存，并优化中间的计算步骤。

专家观点：

● Spark+数据湖是未来的发展方向。

● 离线的场景很丰富，但是缺乏处理的非常好的统一的计算引擎，hive和spark都无法做到，所以这一块未来还有很大的发挥空间。

（2）实时计算引擎优缺点及适用场景

实时计算引擎大体经过了三代，依次是：storm、spark streaming、Flink。其中storm和spark streaming现在用的很少，大部分公司都在用Flink。

专家观点：

● Flink的优点是：可以实时的进行计算，在处理流计算这个方向上是最好的组件，而且几乎可以替代近实时的业务场景。

● 缺点是对离线处理会略显不足，不太适合处理大批量的离线数据集。

● Flink的优化方向很多：

a. Flink在流处理稳定性上，虽然已经做到极细粒度，但是遇到阻塞时，会存在丢失数据的问题。需要加强稳定性。

b. 实时性的提升：实时的优化是无底洞，业务需求能到秒级别、毫秒级别，怎么能让Flink在业务场景用的好，提升速度的同时，保持数据一致性，是Flink面临的挑战。

04、数据调度

1. 常用任务调度系统

提到常用的任务调度系统，大家都会想到非常多，包括但不限于：Crontab、Apache Airflow、Oozie、Azkaban、Kettle、XXL-JOB、Apache DolphinScheduler、SeaTunnel 等，五花八门。

专家观点：

● Apache DolphinScheduler（海豚调度）更专注于大数据场景，调度功能不复杂，但是足够把任务管理起来。并且它是中文的，这一点对于中文用户较友好。

● Apache Airflow 国外用的多。

2. 资源调度系统

资源调度系统主要包括 Yarn 和 Azkaban。

Yarn 用的广泛，上层很多组件都要支持，所以很受欢迎，对其优化很多。

Azkaban 是资源调度的小众分支，用的人不多。

05、大数据查询

1. 大数据查询引擎

常用的OLAP引擎对比：

专家观点：

专家之一曾经用 Presto 和 StarRocks 做过对比 Impala 的性能测试，结论如下：

● 结果上看 StarRocks 的性能确实很强大，速度最快，但三者对比提升相同量级的性能需要更多的 CPU、内存资源等；

● Impala 在开启各项优化之后，效果是可以接近 StarRocks 的；

● Presto 性能一般，而且发现跑部分 TPC-DS 测试时，调用 HMS API 的频率偶尔很高，曾经把 HMS 搞挂过。但是 Presto 的易用性感觉最好，差不多就是开箱即用，配置很简单。

支持多源数据（多Catalog）的接入，但是随着数据湖对底层数仓存储层的统一加上各个。

其他高效分析引擎对数据湖的支持，这块的优势也会被逐步抹平。

专家对查询引擎优化的观点：

查询引擎优化在大数据平台架构只算一环，不算难点，但确实很重要。整个大数据生态的上下游优化应该是逐步协同进行的，查询引擎上游的数据是需要下功夫治理的，不然 Impala 遇到比如小文件问题是很拖累性能的；查询引擎下游需要一个合适的平台作为数据的展示窗口，比如 BI 工具，或用协议比较通用的客户端，像支持 MySQL 协议的 SR 和 Doris 这些，如果下游没法做比较好的数据展示，查询引擎再牛也没法让大家用起来。 2. 大数据查询优化工具

大数据查询优化工具包括 Alluxio、JuiceFS 和 JindoFS。

专家观点：

Alluxio：

数据编排最为强大，市面上常见的存储系统、云存储服务均可以直接接入，也可以自行实现相关 api 以接入其他自研存储系统，可以说 Alluxio 最为通用，既可用于云存储服务的缓存接入或数据编排，也可作为传统 HDFS 的多集群数据编排。

JuiceFS：

● 提供了和 Alluxio 非常相似的功能，如元数据与数据分离的存储、数据编排、与 Hadoop API 兼容、Fuse 等特性；● JuiceFS 也有不错的数据编排特性，元数据存储的方式比 Alluxio 更多元，主要用于云存储场景。

JindoFS：

● 局限于阿里云 oss 场景的分布式存储系统；● 支持与 Alluxio 非常相似的功能，也能提供内存级的缓存加速；● 但场景局限于 oss 内。

附：大数据平台整体架构设计方案PPT

那么一款趁手好用的BI工具，就非常重要了。

01亿信ABI是什么
ABI = ALL in one BI，亿信ABI是一款全能型数据分析产品，融合了数据源适配、ETL数据处理、数据建模、数据分析、数据填报、工作流、门户、移动应用等核心功能而打造的一站式数据分析平台，为企业提供一站式大数据BI解决方案。

来，先一张图了解整体架构↓

再来一张图了解能力地图↓

02亿信ABI能做什么

沉淀17年，亿信华辰致力于为企业提供一站式大数据BI解决方案，我们一直在不断拓展亿信ABI的应用场景边界，支持以下应用场景：

1.企业运营看板/大屏
亿信ABI内置300+可视化组件，让用户在短时间内，快速搭建一个酷炫的可视化看板或大屏，支持包括指挥中心、会议展厅、汇报演示等业务场景应用，实时监控核心数据、智能预警，让企业的运营者、管理者实时了解生产运营情况，快速做出战略决策。

2.中国式复杂报表
亿信ABI采用类Excel在线设计器，支持多级表头、分组、表元合并、斜线表元、多级浮动、多表体等复杂报表样式，让业务人员无需依赖于IT人员，也能够快速、高效地设计任意“格式复杂、信息量大”的中国式复杂报表，满足公司业务需求。

3.自助式探索分析
亿信ABI可以通过拖拉拽的方式进行数据的分析和探索。拖拽维度和指标，即可快速生成图表。同时，能够根据数据特征自动适配图形进行展示，并提供图形推荐列表供用户选择。自助式数据探索，赋能于业务人员，实现人人都是数据分析师。

4.数据填报分析一体化
通过表单填报、表格填报实现数据的采集与补录，支持添加校验及流程审批，可保障数据完整性，提升数据分析质量，也可轻松打造采集与分析一体化的业务应用系统。

5.数据处理分析一体化
集数据建模及ETL设计的功能于一体，可预先对数据源进行整合及处理，帮助政府和企业构建数据仓库，提高数据质量，实现数据融合。

6.多样化的报告分析
亿信ABI支持图文并茂的word分析报告，采用参数过滤的方式来制作报告，图表取自于报表，对报表中相应的数据格添加过滤条件，这样就可以实现报告自动化。同时还支持即席报告、PPT报告。

7.语音交互， 智能分析
亿信ABI也是一款智能BI，可通过文字输入或语音方式提问 ，利用自然语言分析引擎解析翻译，深度识别用户意图，帮助用户更容易地获得数据洞见，实现分析结果随思而行，即问即答，极大降低数据分析门槛。

8.移动跨屏分析
亿信ABI支持PC、iPad和手机等移动设备的应用，无缝对接微信、钉钉等APP，可随时随地地通过移动设备进行数据的采集和分析，实时跟踪业务变化，高效协同办公，从而辅助决策。

03亿信ABI的优势在哪

亿信华辰一直以来，希望用更智能、更多元、更好用的产品，为企业提供BI数据分析与可视化展现于一体的解决方案，而亿信ABI作为BI领域集大成者，更是优势突出：

1.一站式数据服务能力
覆盖数据接入、到数据建模与处理、再到数据分析与挖掘整个数据应用全链路，降低实施、集成成本。

2.一体化的数据建模能力
支持跨不同数据查询整合，与分布式ETL一体化，提供敏捷建模、智能计算，全面支撑各种数据准备需求。

3.超大数据量实时处理
依靠强大的计算分析引擎，高速缓存等技术，完美支持海量历史数据多维查询与分析等场景，大大提高计算性能，实现亿级秒级响应。

4.领先的智能分析能力
运用自然语言分析、机器学习等智能分析能力，提升分析广度和深度，自动化的AI技术，催生更多“民间数据科学家”。

当然，这种展示在用户眼前的界面上的内容，除了要好看、易用，最重要的是要速度，不能给人一种很慢，很卡顿的感觉，这样才能提升用户体验。有啥技术亮点，话不多说上图。

其实产品的特色有很多，不是通过简单的一两句话能阐述清楚。说到这里，如果您有BI数据分析的难题，就直接联系我们吧，相信我们定能助您一臂之力。