信息來源：FreeBuf

近年來，互聯(lián)網(wǎng)公司中大數(shù)據(jù)平臺的建設(shè)和安全一直是熱點。筆者計劃發(fā)兩篇文章參與一下討論，一篇架構(gòu)+一篇安全。本文不依托于任何一家大廠的平臺架構(gòu)，用通俗的語言介紹一下大數(shù)據(jù)平臺的整體架構(gòu)。

下面用兩個問題開篇：

什么是大數(shù)據(jù)平臺？是將互聯(lián)網(wǎng)產(chǎn)品和后臺的大數(shù)據(jù)系統(tǒng)整合起來，將應(yīng)用系統(tǒng)產(chǎn)生的數(shù)據(jù)導(dǎo)入大數(shù)據(jù)平臺，經(jīng)過計算后導(dǎo)出給應(yīng)用系統(tǒng)使用。

為什么大數(shù)據(jù)平臺在互聯(lián)網(wǎng)行業(yè)非常重要？大數(shù)據(jù)平臺將互聯(lián)網(wǎng)應(yīng)用和大數(shù)據(jù)產(chǎn)品整合起來，將實時數(shù)據(jù)和離線數(shù)據(jù)打通，使數(shù)據(jù)可以實現(xiàn)更大規(guī)模的關(guān)聯(lián)計算，挖掘出數(shù)據(jù)更大的價值，從而實現(xiàn)數(shù)據(jù)驅(qū)動業(yè)務(wù)。大數(shù)據(jù)平臺使得大數(shù)據(jù)技術(shù)產(chǎn)品可以落地應(yīng)用，實現(xiàn)了自身價值。

總體來說：大數(shù)據(jù)平臺可以分為四個部分：數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)輸出和任務(wù)調(diào)度管理。

一、數(shù)據(jù)采集

按照數(shù)據(jù)源可以分為如下4點：

1、數(shù)據(jù)庫數(shù)據(jù)

目前比較常用的數(shù)據(jù)庫導(dǎo)入工具有Sqoop和Canal。

Sqoop 是一個數(shù)據(jù)庫批量導(dǎo)入導(dǎo)出工具，可以將關(guān)系數(shù)據(jù)庫的數(shù)據(jù)批量導(dǎo)入到 Hadoop，也可以將 Hadoop 的數(shù)據(jù)導(dǎo)出到關(guān)系數(shù)據(jù)庫。

Sqoop 適合關(guān)系數(shù)據(jù)庫數(shù)據(jù)的批量導(dǎo)入，如果想實時導(dǎo)入關(guān)系數(shù)據(jù)庫的數(shù)據(jù)，可以選擇Canal。Canal是阿里巴巴開源的一個 MySQLbinlog 獲取工具，binlog 是 MySQL 的事務(wù)日志，可用于MySQL數(shù)據(jù)庫主從復(fù)制，Canal 將自己偽裝成 MySQL 從庫，從 MySQL 獲取binlog。

2、日志數(shù)據(jù)

日志是大數(shù)據(jù)平臺重要數(shù)據(jù)來源之一，應(yīng)用程序日志一方面記錄各種程序執(zhí)行狀況，一方面記錄用戶的操作軌跡。Flume 是大數(shù)據(jù)日志收集常用的工具。Flume 最早由 Cloudera 開發(fā)，后來捐贈給 Apache 基金會作為開源項目運營。

3、前端程序埋點

所謂前端埋點，是應(yīng)用前端為了進行數(shù)據(jù)統(tǒng)計和分析采集數(shù)據(jù)。

用戶的某些前端行為并不會產(chǎn)生后端請求，比如用戶頁面停留時間、用戶瀏覽速度、用戶點選又取消等等。這些信息對于分析用戶行為等都很有價值。但是這些數(shù)據(jù)必須通過前端埋點獲得，有些互聯(lián)網(wǎng)公司會將前端埋點數(shù)據(jù)當作最主要的大數(shù)據(jù)來源，用戶所有前端行為，都會埋點采集，再輔助結(jié)合其他的數(shù)據(jù)源，構(gòu)建自己的大數(shù)據(jù)倉庫，進而進行數(shù)據(jù)分析和挖掘。

對于一個互聯(lián)網(wǎng)應(yīng)用，當我們提到前端的時候，可能指的是如下幾類：

（1）App 程序，比如一個 iOS 應(yīng)用或者 Android 應(yīng)用，安裝在用戶的手機或者平板上；

（2）PC Web 前端，使用 PC 瀏覽器打開；

（3）H5 前端，由移動設(shè)備瀏覽器打開；

（4）微信小程序，在微信內(nèi)打開。

這些不同的前端使用不同的開發(fā)語言開發(fā)，運行在不同的設(shè)備上，每一類前端都需要解決自己的埋點問題。

埋點的方式主要有手工埋點、自動化埋點和可視化埋點。

手工埋點就是前端開發(fā)者手動編程將需要采集的前端數(shù)據(jù)發(fā)送到后端的數(shù)據(jù)采集系統(tǒng)。通常公司會開發(fā)一些前端數(shù)據(jù)上報的 SDK，前端工程師在需要埋點的地方，調(diào)用 SDK，按照接口規(guī)范傳入相關(guān)參數(shù)，比如 ID、名稱、頁面、控件等通用參數(shù)，還有業(yè)務(wù)邏輯數(shù)據(jù)等，SDK 將這些數(shù)據(jù)通過 HTTP 的方式發(fā)送到后端服務(wù)器。

自動化埋點則是通過一個前端程序 SDK，自動收集全部用戶操作事件，然后全量上傳到后端服器。自動化埋點有時候也被稱作無埋點，意思是無需埋點，實際上是全埋點，即全部用戶操作都埋點采集。自動化埋點的好處是開發(fā)工作量小，數(shù)據(jù)規(guī)范統(tǒng)一。缺點是采集的數(shù)據(jù)量大，很多數(shù)據(jù)采集來也不知道有什么用，白白浪費了計算資源，特別是對于流量敏感的移動端用戶而言，因為自動化埋點采集上傳花費了大量的流量，可能因此成為卸載應(yīng)用的理由，這樣就得不償失了。在實踐中，有時候只是針對部分用戶做自動埋點，抽樣一部分數(shù)據(jù)做統(tǒng)計分析。

介于手工埋點和自動化埋點之間的，還有一種方案是可視化埋點。通過可視化的方式配置哪些前端操作需要埋點，根據(jù)配置采集數(shù)據(jù)。可視化埋點實際上是可以人工干預(yù)的自動化埋點。

4、爬蟲系統(tǒng)

通過網(wǎng)絡(luò)爬蟲獲取外部數(shù)據(jù)用于行業(yè)數(shù)據(jù)支撐，管理決策等。由于涉及到敏感內(nèi)容，不做更多的展開。

二、數(shù)據(jù)處理

大數(shù)據(jù)平臺的核心，分為離線計算和實時計算兩類。

1、離線計算

由MapReduce、Hive、Spark 等進行的計算處理。

2、實時計算

由Storm、SparkSteaming 等流式大數(shù)據(jù)引擎完成，可以在秒級甚至毫秒級時間內(nèi)完成計算。

三、數(shù)據(jù)輸出

大數(shù)據(jù)處理與計算產(chǎn)生的數(shù)據(jù)寫入到 HDFS 中，但應(yīng)用程序不會到 HDFS 中讀取數(shù)據(jù)，所以必須要將 HDFS 中的數(shù)據(jù)導(dǎo)出到數(shù)據(jù)庫中。除了給用戶提供數(shù)據(jù)，大數(shù)據(jù)平臺還需要在一些后臺系統(tǒng)中給運營和決策層提供各種統(tǒng)計數(shù)據(jù)，這些數(shù)據(jù)也寫入數(shù)據(jù)庫，被相應(yīng)的后臺系統(tǒng)訪問。

四、任務(wù)調(diào)度管理

將上面三個部分有效整合和運轉(zhuǎn)起來的是任務(wù)調(diào)度管理系統(tǒng)，它的主要作用是：

（1）合理調(diào)度各種 MapReduce、Spark 任務(wù)使資源利用最合理

（2）盡快執(zhí)行臨時的重要任務(wù)

（3）對作業(yè)提交、進度跟蹤、數(shù)據(jù)查看等功能

簡單的大數(shù)據(jù)平臺任務(wù)調(diào)度管理系統(tǒng)其實就是一個類似 Crontab 的定時任務(wù)系統(tǒng)，按預(yù)設(shè)時間啟動不同的大數(shù)據(jù)作業(yè)腳本。復(fù)雜的大數(shù)據(jù)平臺任務(wù)調(diào)度還要考慮不同作業(yè)之間的依賴關(guān)系。開源的大數(shù)據(jù)調(diào)度系統(tǒng)有 Oozie，也可以在此基礎(chǔ)進行擴展。