大数据开发平台(Data Platform)在有赞的最佳实践

àì夳堔傛蜴生んèń 2023-07-25 09:44 14阅读 0赞

# 前言 #

随着公司规模的增长，对大数据的离线应用开发的需求越来越多，这些需求包括但不限于离线数据同步(MySQL/Hive/Hbase/Elastic Search 等之间的离线同步)、离线计算(Hive/MapReduce/Spark 等)、定时调度、运行结果的查询以及失败场景的报警等等。

在统一的大数据开发平台产生之前，面临一系列的问题：

*  多个开发和调度入口，不同的业务部门之间的项目或组件很难复用，同时带来繁重的运维成本
 *  Hadoop 的环境对业务团队的同事来讲不友好（除了要熟悉业务以外还需要对底层框架有比较深入的了解）
 *  重复的开发工作（例如导表、调度等本来可以复用的模块，却需要在多个项目中重复实现）
 *  频繁的跨部门需求沟通和讨论

为了解决上述遇到的各类问题，同时参考了业界其他公司的大数据解决方案，我们设计并实现了大数据开发平台（Data Platform，简称 DP），通过可视化的交互界面，解决离线大数据计算相关的各种环境和工具。

本文将介绍 DP 的系统设计以及在有赞的落地情况，内容包括：

*  DP 的系统设计，包括架构设计，以及重点介绍了调度模块的设计
 *  目前在有赞的落地现状
 *  总结和展望

# 大数据开发平台的设计 #

## 架构设计 ##

![format_png][]

图1 DP系统架构图

大数据开发平台包括调度模块（基于开源 airflow 二次开发）、基础组件（包括公共的数据同步模块/权限管理等）、服务层（作业生命周期管理/资源管理/测试任务分发/Slave管理等）和监控（机器资源/日志/基于预测的监控）。这些模块具体功能和职责为：

**任务调度模块：**支持基于任务优先级的多队列、分布式调度。在开源的 airflow 基础上进行了二次开发，主要新增功能包括：

*  增加多种任务类型（datax/datay/导出邮件/导出es/Spark等）
 *  根据任务的上下游关系以及重要程度，计算任务的全局优先级，根据全局优先级调度（优先级高的优先执行，低的则进入队列等待）
 *  跨 Dag 的任务依赖关系展示（基于全局 Dag，通过任务的读写Hive表信息建立跨 Dag 的依赖关系）
 *  一键 Clear 当前节点的所有依赖下游节点（支持跨Dag）

**基础模块：**包括离线的全量/增量数据同步、基于Binlog的增量同步、Hive 导出 ES /邮件、MySQL 同步到 Hbase (开发中)等，参考图2。

![format_png 1][]

图2 DP支持的离线数据同步方式（箭头表示数据流向）

**服务模块：**负责作业的生命周期管理，包括作业的创建(修改)、测试、发布、运维等，服务部署采用 Master / Slave 模式，参考图3所示。其中

*  Master 节点支持 HA 以及热重启（重启期间另外一台提供服务，因此对用户是无感知的）。Master 节点的主要职责是作业的生命周期管理、测试任务分发、资源管理、通过心跳的方式监控 Slaves 等。
 *  Slave 节点分布在调度集群中，与 Airflow 的 worker 节点公用机器。Slave 节点的主要职责是执行 Master 分发的命令（包括测试、机器监控脚本等）、更新资源（通过 Gitlab ）等。

![format_png 2][]

图3 DP 部署图

**监控模块：**对调度集群的机器、资源、调度任务进行全方位的监控和预警。按照监控的粒度和维度分成三类：

*  基础监控：结合运维监控（进程、IO等）和自定义监控（包括任务环比波动监控、关键任务的产出时间监控等）对DP的Master节点和Worker节点进行基础的监控和报警。
 *  日志监控：通过将任务运行时产出的日志采集到 Kafka，然后经过 Spark Steaming 解析和分析，可以计算每个任务运行的起止时间、Owner、使用到的资源量（ MySQL 读写量、 Yarn 的 CPU / Memory 使用量、调度 Slot 的占用情况等），更进一步可以分析Yarn任务的实时运行日志，发现诸如数据倾斜、报错堆栈信息等数据。最后将这些数据存储在 NoSQL（比如 Redis ）以进一步的加工和展示。 如果你对大数据开发感兴趣，想系统学习大数据的话，可以加入大数据技术学习交流扣扣君羊：**522189307**
 *  任务预测监控：通过提前一段时间模拟任务的调度（不真正的跑任务），来预测任务的开始/结束时间，同时可以提早知道可能失败、超时的任务列表，进而在问题发生之前进行规避。

1.  ` * 现阶段已经实现的功能：分析可能失败的任务列表（失败的原因可能是DB的配置发生更改、上游的节点失败等）并发送告警信息；基于过去一段时间的运行时间数据，模拟整个任务调度，可以计算出任务的开始/结束时间以及超时告警。`
2.  ` * 未来规划：任务的运行时长不是基于过去的数据，而是通过读取的数据量、集群资源使用率、任务计算复杂程度等多个特征维度来预测运行时长。`

## 任务调度设计 ##

大数据开发平台的任务调度是指在作业发布之后，按照作业配置中指定的调度周期（通过 crontab 指定）在一段时间范围内（通过开始/结束时间指定）周期性的执行用户代码。任务调度需要解决的问题包括：

1.  如何支持不同类型任务？
2.  如何提供任务调度的高并发（高峰时期每秒需要处理上百个任务执行）？
3.  如何保证相对重要的任务（数据仓库任务）优先获取资源并执行？
4.  如何在多台调度机器上实现负载均衡（主要指CPU/内存资源）？
5.  如何保证调度的高可用？
6.  任务调度的状态、日志等信息怎么比较友好的展示？

为了解决上述问题，我们调研了多种开源框架（Azkaban/Oozie/Airflow等），最终决定采用 Airflow + Celery + Redis + MySQL 作为 DP 的任务调度模块，并结合公司的业务场景和需求，做了一些深度定制，给出了如下的解决方案（参考图4）：

![format_png 3][]

图4 基于Airflow + Celery + Redis + MySQL的任务调度

**针对问题1**，在 Airflow 原始的任务类型基础上，DP 定制了多种任务（实现 Operator ），包括基于 Datax 的导入导出任务、基于 Binlog 的 Datay 任务、Hive 导出 Email 任务、 Hive 导出 ElasticSearch 任务等等。

**针对问题2**，一方面通过 Airflow 提供的 Pool + Queue + Slot 的方式实现任务并发个数的管理，以及把未能马上执行的任务放在队列中排队。另一方面通过 Celery 可以实现了任意多台Worker的分布式部署（水平扩展），理论上调度没有并发上限。

**针对问题3**，在 Airflow 本身支持的优先级队列调度基础之上，我们根据任务的上下游关系以及标记重要的任务节点，通过全局DAG计算出每个节点的全局优先级，通过将该优先级作为任务调度的优先级。这样可以保证重要的任务会优先调度，确保重要任务产出时间的稳定性。

**针对问题4**，首先不同类型的任务需要耗费不同类型的资源，比如 Spark 任务是内存密集型、Datax 任务是 CPU 密集型等，如果将同一类任务集中在一台机器上执行，容易导致部分系统资源耗尽而另外一部分资源空闲，同时如果一台机器的并发任务数过多，容易引起内存 OOM 以及 CPU 不断地切换进程上下文等问题。因此我们的解决方式是：

*  将任务按照需要的资源量分成不同类型的任务，每种类型的任务放到一个单独的调度队列中管理。 
 *  每个队列设置不同的 Slot ，即允许的最大并发数
 *  每台 Worker 机器同时配置多个队列
 *  基于这些配置，我们可以保证每台 Worker 机器的 CPU /内存使用率保持在相对合理的使用率范围内，如图5所示

![format_png 4][]

图5 调度 Worker 机器的内存使用情况

**针对问题5**，任务调度模块涉及到的角色包括 Scheduler (生产者)和 Worker (消费者)，因为 Worker 本来就是分布式部署，因此部分机器不可用不会导致整个调度的不可用（其他节点可以继续服务）。而 Scheduler 存在单点问题，我们的解决方案是除了 Active Scheduler 节点之外，新增一个 Standby Scheduler（参考图3），Standby节点会周期性地监听 Active 节点的健康情况，一旦发现 Active Scheduler 不可用的情况，则 Standby 切换为 Active 。这样可以保证 Scheduler 的高可用。

**针对问题6**，Airflow 自带的 Web 展示功能已经比较友好了。

# 现状 #

DP项目从2017年1月开始立项开发，6月份正式投入生产，之后经过了N轮功能迭代，在易用性和稳定性方面有了显著提升，目前调度集群包括2台Master和13台 Slave（调度）节点（其中2台用于 Scheduler ，另外11台用于 Worker )，每天支持7k+的任务调度，满足数据仓库、数据中心、BI、商品、支付等多个产品线的应用。

![format_png 5][]

图6 DP调度任务数趋势图

目前DP支持的任务类型包括：

*  离线数据同步：
 *  从 MySQL 到 Hive 的全量/增量数据同步(基于 Datax 二次开发）
 *  从 Hive 到 MySQL 的全量/增量数据同步(基于 Datax 二次开发）
 *  从 MySQL 通过 Binlog ，经过 Nsq/Hdfs/MapReduce 增量同步到 Hive（ Datay ，自研）
 *  从 MySQL 同步到 Hbase (基于 Datax 二次开发）
 *  从 Hive 同步到 ElasticSearch (基于 Datax 二次开发）
 *  Hadoop 任务：
 *  Hive/MapReduce/Spark/Spark SQL
 *  其他任务：
 *  将 Hive 表数据以邮件形式导出（支持 PDF/Excel/Txt 格式的附件）
 *  Python/Shell/Jar 形式的脚本任务

# 总结和展望 #

DP 在经过一年半的不断功能迭代和完善之后，目前日均支持7k+的任务调度，同时在稳定性和易用性方面也有了较大的提升，可以满足用户日常对大数据离线开发的大部分使用场景。同时我们也意识到大数据开发这块还有很多可以挖掘和提升的点，未来我们可能会从这些方面进一步完善平台的功能和提升用户体验：

*  更加丰富的任务类型
 *  进一步整合其他平台或工具，做到大数据开发的一站式体验
 *  提供用户首页（空间），提供日常运维工具和管理页面，更加方便任务的集中管理
 *  任务日志管理优化（包括快速定位出错信息/拉取和分析 Yarn 日志等）

[format_png]: /images/20230528/5113b96ee7a545aca5fe7b7863cbbb8d.png
[format_png 1]: /images/20230528/21d1da9121584f6eae758d3ebba0b79f.png
[format_png 2]: /images/20230528/19ea1d07c25142eea9fa153f4173b716.png
[format_png 3]: /images/20230528/967e38c9d2964bf389ece77b706623d8.png
[format_png 4]: /images/20230528/3fb95e6c5b6a406081d70525c4e2c68d.png
[format_png 5]: /images/20230528/e4df31e0f95e43d9a7485081a29c7d26.png