|
前两天，转载了美团外卖的两篇数据仓库文章。第一篇讲他们的实时数据仓库建设，第二篇讲离线数据仓库。两篇文章都发人深思。于是，我花了点时间，拆解了各自的项目实现。
这是第二篇拆解，针对离线数据仓库，美团外卖讲述了他们的玩法。这篇感觉更接地气，和传统数据仓库项目，贴合得更紧。换句话说，这次的离线仓库，不仅对互联网行业具有借鉴意义，对非互联网行业，同样也具有参考价值。
传统数据仓库，数据基建包括了 ETL, 建模和可视化。从数仓范畴的概念上入手，美团外卖的离线数仓，也同样是这些。但形式、落地与逻辑，稍有些扩展。
比如，做传统行业的数仓工程师，都知道数据的组织与存储，以关系型结构化数据为基准，以维度模型为扩展。强烈的二维属性已经刻在我们脑子里。即使在二维中硬生生增加多维的扩展模型，本质上还是二维存储。
但在互联网业务中，比如美团外卖。很多业务数据开始有了离散的结构。就好比日志。一个用户的订单，来来回回有多种增删菜品的组合。这样的行为数据，需要入库，对于关系型数据库，极为不便处理。
再举一个例子，用户与商家，用户与用户之间的评论，又是离散的。这样一个主题帖，就像一棵树结构，最好的办法就是将整棵树都存起来。
综合美团外卖的业务，可以将数据分为两部分，一部分是事务性关系型业务数据；另一部分是离散结构，半结构化的业务数据，比如评论，用户行为日志等。
架构
与上篇实时数仓一样，这次的离线数仓，也是先从业务架构入手分析。
美团的业务图，做得十分清爽。每个业务链路，规划的都很明晰，一目了然。从用户下单，商户上单，骑手接单配送，销售运营，方方面面都考虑在了数据这条生态链上。
业务架构清晰了，数据架构自然也就跟上来了。
在四个数据层，层与层之间的数据交互，都有不同的工具实现。正因工具多变，监控这些工具的数据流是否正常，也是大事。所以，数据流及其流监控手段，还需要加在这幅全景图中。比如 Sqoop, Flume, 以及传统的 ETL 工具。
这里值得关注的是，美团将大量的 Hive ETL 工作都转移到了 Spark 上面。由此可见，将来的趋势，必将给与 Spark 更多机会。那么 Spark 与 Hive 相比，会有哪些明显的优势呢？文中指出，至少有 3 个：
算子丰富，如果是用 Spark 计算库来说，那是真的丰富。比如机器学习算法，HQL 毫无优势。
缓存中间集，不用像 Hive一样，每次都利用硬盘来缓存，是 Spark 最大的优势。
资源复用，申请的计算资源可以重复利用。这先按下不表，因为我也没理解，这优势的本质，在哪里。
转型
美团从传统的数据仓库过度到现代互联网主流数据仓库设计，经历了很长的路程。那么在这些历程中，哪些是关键点，为什么会做出如此的技术选型？看看美团怎么说。
刚开始，2016年以前，美团业务量不大，但竞争激烈。为了配合业务，堆人完成开发。造成的局面一度尴尬：整体开发效率低；统计口径不一；垂直切分技术资源，造成人力浪费。
来看下当时的美团技术架构：
分层也很明晰：ODS\明细\聚合\主题\应用。
ODS层, 这里特别说明下。从各个数据源汇总过来的数据，都会先落在ODS层，有一定的清洗，意味着数据有筛选，更干净，更符合标准格式。
可以看到美团数仓1.0的分层，是以总部+城市来展开的。这种分层，造成的重复计算是毋庸置疑的。很多计算指标都是重合的，总部和城市本身就是地区维度的上下层级关系，完全没必要分开。所以这种分层必须按照业务重新划分。
于是美团 2.0 时代就改变了：
这回，就彻底把分层做足了。按照应用来划分层次，并且在每个层次上又再分层。
其实这里有个很重要的转型时间点。并不是一上来就要精细化开发，把每个主题都安排的妥妥当当。还要看业务发展的势态。
业务早期，稳定性和持久性，还没有突破，过早进入精细化数仓建设，是不合理的。此时要做的事情，完全是辅助业务的开展，在没有准确供给业务所需数据时，就要上一些高大上的数仓指标体系建设，那是浪费资源。
所以，数仓的建设还要围绕着业务去开展，强烈关注业务的开展状态。
一旦业务稳定，势态良好，那么应用就会越来越多，这个时候开展数仓的分层设计，就会顺理成章。
分层
一切围绕业务应用而生，而业务应用，也再一次的分层：业务引导（数据挖掘，推荐）主题；分析（运营分析，财务分析）主题；业务主题（以事实业务过程为基础的分析）。
总的来说，这一层指导和铺垫了底层数据的分层建设，该层也叫主题标准。
这些主题标准切分开来了，但实现这些主题切分的人，还没有定义出来。到底是业务架构，还是技术架构兼任？
不管是谁来做，这样的融合必定是不可少的。懂技术的，并不一定懂业务，懂业务的，不一定懂技术。所以必须有人来双向融合。这大概就是架构师要做的事情。
主题区分开来了，技术的定型也就确定了。以前大家都是拿一块业务，还有可能是同一块业务，垂直的在各自造烟囱。看上去大家都是全栈，实则浪费资源。
此时，将人力资源分层，做建模，做数据应用，团队的资源就不会浪费在同一块地方。比如之前，数据组的每个人都在做商家统计，不同的是一组在处理总部来的需求，二组则在处理每个城市来的需求。其实有些共性的部分，大家可以放在一个模块来完成，不必各自为政。之前的这种团队划分，称之为垂直划分。
而美团数仓2.0，则更多横向划分。从建模到应用，每个段切分，专人专做整个链路的某一段。
从主题到最终的物理层实现，需要两组人马不停的融合。一组人负责不停的处理业务需求建模，另一组人负责物理数据的建模。这两组人一定需要在某个点上达成一致。所以分工标准就出来了，数据应用组和数据建模组。
刚才美团数仓1.0，数据分成了四层：ODS/明细/聚合/应用。现在需要将数据分得更细，做更多的解耦。
其实也可以用接单的stage1,stage2,stage3来划分。但每一层做些什么，当然还是要了然于胸。
比如stage1,整合多数据源的一致性建模，完成数据维度，事实组合。stage2，用来完成聚合汇总，进一步按照粒度划分，完成年月日级的聚合。至此，一个中央数据仓库就完成了。stage3,按照业务单元，做数据集市。比如营运，销售。这样提供给数据应用层，就有了完整的数据源。
在数据整合层，要注重排查的两个概念，一是宽表，二是聚合表。宽表与 kimball 的 fact table 不一样，我们通常所说的fact table，实际上仅仅是明细表的统称，而宽表，则是把相关的事实表，都整合到一起，这样的好处，一是加快速度，二是一次查询更加全面。
举个例子说明下大宽表的定义：选定实体对象（比如订单），圈定分析对象（比如订单头，明细，状态，订单召回等），构建宽表模型（通过订单id，将这些表关联到一张表）。
最终的应用层，会简单很多。主要是选型，也就是针对业务数据应用，会选择哪些数据库技术，分析引擎技术，还有报表计算。归纳起来，离不开存储，计算，可视化。
缺陷
美团数据仓库2.0，还是有很多缺点。如下图：
在数据集市层，会过度膨胀。因为层与层之间一旦分割，便会有不同的想法。今天她要这个指标，明天他又要那个指标，其实他俩指标都差不太多，但就是要设计两套，最终导致数据集市层膨胀。而数据仓库3.0就是来解决这样的问题。
说实话，这是我从来没有想到过的一层。使用建模工具替代人工开发。因为这套玩法，我从来没用过啊。这大概就是美团外卖的先进之处。
文章还提到另一个数据仓库方向是数据治理。它分享了三个小点：数据开发流程，数据安全管理，资源优化。这一块也是我的弱项，下回，我就来盘它！ | 
