京东实时计算架构演进之路

叁歲伎倆 2021-09-21 05:16 344阅读 0赞

## **一、背景：** ##

从2004年开始，京东进军互联网线上化开始到至今，随着京东的高速发展，京东商城的订单量从万级到百万级、最终到达亿级。而对于实时的数据需求也是层出不穷，实时计算架构随着数据量的增长，不断进行革新。

## 二、京东实时计算架构演进之路 ##

**(1)订单量万级、百万级(以京东海外站为例)**  
在订单量万级、百万级别的时候，也存在不少实时的数据需求，比如：商家需要看看自己每天的成交量、老板需要看看整体的成交金额，以为后续的融资做准备。类似于现在很多的a、b轮创业公司数据体量。

解决方案：而此时为了节省更少的资源，减少更少花销。在实时架构设计上就需要尽量用更少的成本来解决这种问题。基于mysql的实时数据统计方案就比较适合了。

步骤：将线上业务系统数据实时同步到大数据中心(在mysql的基础上搭建了一套大数据架构)，避免了Hadoop生态庞大复杂的体系。基于mysql数据宽表进行数据统计，将统计结果写到mysql指标结果表中，输出一些报表或者服务。详细步骤见下图。

架构优缺点：  
(1)开发简单，基于mysql，同时避免hadoop生态复杂的体系，节省开销。  
(2)数据量过大，查询和聚合性能较差，mysql单表量级在百万级别。  
(3)在此架构中需要对mysql及其熟练，如何设计索引，如何进行查询统计优化。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70]  
**(2)订单量亿级(以京东主站为例)**  
随着公司的发展，数据体量的增大，达到千万甚至亿级别时，基于mysql的数据统计方案已经完全没办法满足统计需求了，mysql查询也查不动了。基于此产生了一套新的技术方案：flink接kafka消息数据，直接进行指标计算，写入到redis里面，最后提供最外提供服务。详细步骤见下图。  
架构优缺点：  
(1)能够支撑亿级数据量的统计需求，对于大数据量友好  
(2)时效性高，计算延迟较低  
(3)技术方案相对复杂，新增指标需要重新开发，上线任务。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 1]  
**(3)订单量亿级(以京东主站为例)**  
上述基于flink 直接指标计算的方案，优点非常明显，缺点也非常明显，如果新增指标，需要重新开发上线，对于频繁的业务需求变更，已经很难满足了，因此产生了基于OLAP的技术方案。Flink接kafka 消息，将明细数据写入到OLAP引擎(clickhouse、apache doris)当中，构建一张宽表，然后直接进行数据查询统计基于OLAP引擎，对于新增指标只需要新增不同的sql查询语句就能解决需求，而不用重新开发，提高了整体效率，能够应对业务的频繁变更。详细步骤见下图。  
架构优缺点：  
(1)能够支撑亿级数据量的统计需求，对于大数据量友好  
(2)时效性较高  
(3)开发简单，能够快速应对业务需求。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 2]

## 三、总结 ##

随着公司高速发展，数据体量的改变对于技术的选型也是不断进行变更的。只有了解不同的技术架构的优缺点，在合适的阶段选择不同的数据架构，才能够更好的服务于业务。同时根据自己所处的公司当前的发展状况，预估公司后续的发展，在技术架构选型上也是有前瞻性的。

作者简介：诸葛子房，曾供职于京东，现就职于BAT，在大数据领域有多年实践经验，欢迎加微信：zhugezifang001 交流

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70]: /images/20210920/cc48c1c2e9624d90b1f44c60221fb136.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 1]: /images/20210920/52ccf89aad7e40c09b3442713269193a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI5MTA1NQ_size_16_color_FFFFFF_t_70 2]: /images/20210920/c7370cb5a28f43baa9efeab5145946f6.png