数据仓库(一) 项目需求与架构设计

该数仓为离线

数据仓库概念

数据仓库(Data Warehouse)，是为企业所有决策制定过程，提供所有系统数据支持的战略集合。
通过对数据仓库中数据的分析，可以帮助企业，改进业务流程，控制成本，提供产品质量等。
数据仓库，并不是数据的最终目的地，而是为数据的最终目的地做好准备。这些准备包括对数据的：清洗，转义，分类，重组，合并，拆分，统计等等。

项目需求及架构设计

项目需求分析

• 用户行为数据采集平台搭建
• 业务数据采集平台搭建
• 数据仓库维度建模
• 分析：设备，会员，商品，地区，活动等电商核心主题。
• 采用即席查询工具，随时进行指标分析。
• 对集群性能进行监控，发生异常需要报警。
• 元数据管理
• 质量监控

项目框架

技术选型

技术选型主要考虑的因素：数据量大小，业务需求，行业内经验，技术成熟度，开发维护成本，总成本预算

• 数据采集传输：Flume，Kafka，Sqoop，Logstash，DataX
• 数据存储：MySql，HDFS，HBase，Redis，MongoDB
• 数据计算：Hive，Tez，Spark，Flink，Storm
• 数据查询：Presto，Kylin，Impala，Druid
• 数据可视化：Echarts，Superset，QuickBI，DataV
• 任务调度：Azkaban，Oozie
• 集群监控：Zabbix
• 元数据管理：Atlas
• 质量监控：Griffin

系统数据流程设计

框架版本选型

如何选择Apache/CDH/HDP版本？

• Apache

运维麻烦，组件间兼容性需要自己调研。
一般大厂使用，技术实力雄厚，有专业的运维人员
（建议使用）

• CDH

国内使用最多的版本，但CM不开源，今年开始要收费，一个节点一万美金。

• HDP

开源，可以进行二次开发，但是没有CDH稳定，国内使用较少。

Apache框架版本

产品	版本
Hadoop	3.1.3
Flume	1.9.0
Kafka	2.4.1
Hive	3.1.2
Sqoop	1.4.6
Java	1.8
ZooKeeper	3.5.7
Presto	0.189

注意事项：框架选型尽量不要选择最新的框架，选择最新框架半年前左右的稳定版。

服务器选型

• 物理机

以128G内存，20核CPU，40线程，8T HDD和2T SSD硬盘，戴尔品牌单台报价4W出头。一般物理机寿命5年左右。
需要有专业的运维人员，平均一个月1W。电费也是不少的开销。

• 云主机

以阿里云为例，差不多相同配置，每年5W。
很多运维工作都由阿里云完成，运维相对较轻松。

• 企业选择

金融有钱公司和阿里没有直接冲突的公司选择阿里云
中小公司，为了融资上市，选择阿里云，拉到融资后买物理机
有长期打算，资金比较足，选择物理机。

集群资源规划设计

集群规模

如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）

• 每天日活跃用户100万，每人一天平均100条：100万 * 100条 = 1亿条
• 每条日志1K左右，每天1亿条：100000000 / 1024 / 1024 = 约100G
• 半年内不扩容服务器：100G * 180天 = 约18T
• 保存3副本：18T * 3 = 54T
• 预留20%~30%Buf：54T / 0.7 = 77T
• 算到这：约8T * 10台服务器

测试集群服务器规划

服务名称	子服务	服务器 hadoop131	服务器 hadoop132	服务器 hadoop133
HDFS	NameNode	√
	DataNode	√	√	√
	SecondaryNameNode			√
Yarn	NodeManager	√	√	√
	ResourceManager		√
Zookeeper	Zookeeper Server	√	√	√
Flume(采集日志)	Flume	√	√
Kafka	Kafka	√	√	√
Flume(消费Kafka)	Flume			√
Hive	Hive	√
MySQL	MySQL	√
Sqoop	Sqoop	√
Presto	Coordinator	√
	Worker		√	√
Azkaban	AzkabanWebServer	√
	AzkabanExecutorServer	√
Druid	Druid	√	√	√
Kylin		√
HBase	HMaster	√
	HRegionServer	√	√	√
Superset		√
Atlas		√
Solr	Jar	√
服务器总计		18	9	9