張宗耀：bilibili每天100T+的數(shù)據(jù)導入是如何實現(xiàn)的｜DataFunTalk

導讀：B站千億級數(shù)據(jù)同步，每天100T+數(shù)據(jù)導入是如何實現(xiàn)的？本文將介紹Apache SeaTunnel在嗶哩嗶哩的實踐。包括以下幾方面內(nèi)容：

• 工具選擇
• 日志
• 提速/限流
• 監(jiān)控自理

01
工具選擇

數(shù)據(jù)集成和數(shù)據(jù)出倉的大體流程如下圖所示，主要以數(shù)倉為中心，從HTTP、MySQL等外部數(shù)據(jù)源抽數(shù)入倉，在數(shù)倉內(nèi)做相應業(yè)務處理后，出倉到對應的Clickhouse、MySQL等存儲，供業(yè)務使用。

B站數(shù)據(jù)平臺在離線出入倉工具上目前主要有兩類。一類是基于DataX二次開發(fā)的Rider項目，另一類是基于Seatunnel 1.1.3二次開發(fā)的AlterEgo項目。

上圖展示了Rider的架構(gòu)。

Rider在使用上支持T+1、H+1定時調(diào)度，在數(shù)據(jù)源上支持HTTP、MySQL、BOSS等作為數(shù)據(jù)源，此外Rider在使用上主要原生讀寫Hdfs文件。

DataX雖然在單個進程下已經(jīng)足夠優(yōu)秀，但是不支持分布式，另外在大數(shù)據(jù)量下表現(xiàn)不是很好，Seatunnel在分布式場景下表現(xiàn)優(yōu)秀，一方面構(gòu)建在spark之上，天然分布式，另外且自帶了很多插件，非常適合二次開發(fā)。我們調(diào)研后，在Seatunnel基礎上二次開發(fā)了AlterEgo項目。

AlterEgo的工作流程：Input[數(shù)據(jù)源輸入] -> Filter[數(shù)據(jù)處理] -> Output[結(jié)果輸出]。

集群規(guī)模方面，由于歷史原因，目前離線集群與出入倉工具集群是分開部署的。出入倉工具集群節(jié)點數(shù)20+，CPU核數(shù)750+，內(nèi)存1.8T+；每日出入倉調(diào)度任務同步數(shù)據(jù)方面，日均記錄數(shù)上千億，日均數(shù)據(jù)量在100T以上。

在落地方面，主要提供了界面化操作，對任務做了抽象和封裝，平臺化后提供給用戶使用。平臺會根據(jù)用戶不同選擇，把任務封裝為Seatunnel的配置格式或DataX的Json格式配置。目前平臺的功能如圖，用戶可以選擇數(shù)倉數(shù)據(jù)源的庫名、表名和出倉后存儲的目標數(shù)據(jù)源的信息。這里為了管理接入血緣考慮，和安全規(guī)范使用流程，用戶在界面內(nèi)不被允許填寫用戶名密碼，可以選擇對應創(chuàng)建的數(shù)據(jù)源。在存儲個性上，比如為兼容MySQL協(xié)議的數(shù)據(jù)源的導入上，支持了Insert Ignore、Insert Update方式導入數(shù)據(jù)。字段映射可以通過界面上拖拽完成配置。

在任務運維界面，通過DAG查看調(diào)度任務上下文，出倉和入倉的整個過程中，任務是互相依賴的，前面的任務出問題會導致后面的任務產(chǎn)出慢、數(shù)據(jù)延遲等。因此排查問題的過程中，往往需要在任務DAG中找到上游依賴最長的鏈路或是未完成鏈路并排查問題。

02
日志

平臺化落地其實難度不大，套個皮就可以了，但是很多時候我們要考慮的是面向運維開發(fā)，細節(jié)都是對用戶是封裝好的，需要為用戶提供足夠的運維工具支持。這里以日志為例，排錯是很常見的場景，當用戶排錯時，用戶并不希望看到密密麻麻且無用的Yarn日志，但如果使用spark日志，由于Spark環(huán)境配置繁瑣，直接暴露Spark UI給用戶也會讓用戶的使用體驗不佳。此外，在后期我們整合入離線大集群后，集群節(jié)點數(shù)目有四五千個節(jié)點，集群規(guī)模大就導致日志聚合會慢，日志響應時間長。

為解決日志查詢困難的問題，我們對日志層做了優(yōu)化，在Spark上使用LogAgent把業(yè)務日志轉(zhuǎn)發(fā)到我們的日志服務上。為方便查詢，且讓日志歷史信息可追溯，LogAgent在日志中追加了jobId、jobHistoryId、priority等信息。這樣采集日志后，我們會根據(jù)日志內(nèi)信息做各類告警，例如當任務出倉條數(shù)為0時發(fā)送告警等。此外，當日志有報錯打出，用戶可以直接在日志界面展示的日志里定位程序的問題，所有操作直接在平臺就可以完成，而不需要其他復雜的配置。

03
提速/限流

1. ClickHouse出倉

Clickhouse數(shù)據(jù)出倉方式有三種：

寫分布式表：寫入性能偏低，代碼比較簡單，不需要依賴RDD Repartition。

寫Local表：需要在本地做一次repartition，會有性能壓力。但寫入性能會更高，和寫分布式表一樣，主要用Jdbc協(xié)議。

BulkLoad：BulkLoad將寫壓力前置到Spark層，寫入速度快，降低了Clickhouse側(cè)壓力，寫入不影響讀性能，做到讀寫分離，更加安全。依賴的是文件復制。

Clickhouse出倉任務調(diào)度記錄達到60億以上，數(shù)據(jù)量達到13T以上；手動補數(shù)據(jù)數(shù)據(jù)量在70T，數(shù)據(jù)量和記錄數(shù)都在不斷增長。

2. 創(chuàng)作中心-出倉加速

簡單介紹下我們對創(chuàng)作中心的數(shù)據(jù)出倉做了一系列優(yōu)化，加速了數(shù)據(jù)出倉過程。

創(chuàng)作中心使用大量使用TiDB，我們利用jdbc協(xié)議批量寫數(shù)據(jù)。當寫得快會導致TiDB-Server IO高、壓力大。另外在數(shù)據(jù)出倉過程中，可能有新建分區(qū)表的需求，當出現(xiàn)DDL操作時，寫入很容易出現(xiàn)Information schema is changed導致失敗。如果存在更新數(shù)據(jù)場景，也會由于Insert update時需要把數(shù)據(jù)全部讀出，當任務出現(xiàn)失敗后重試時任務耗時會增長，性能降低。此外，TIDB集群是有限的，多個業(yè)務同時寫入TiDB時候會出現(xiàn)多實例競爭寫入資源，導致寫入時間耗時增加。

以上問題，我們的應對方案主要是基于業(yè)務大都為KV查詢，用自研的分布式KV存儲TaiShan替代TiDB。創(chuàng)作中心業(yè)務主要集中在點查和Range查詢，比較適合KV類存儲。TaiShan是B站自研的分布式KV存儲，經(jīng)過多次出倉實際壓測，TaiShan的Batch寫入方式和TiDB性能接近，實際使用并沒有多少性能提升，寫入多時也會影響到讀的業(yè)務。我們最終采用正在做的Bulk Load方式寫入TaiShan。Bulk Load優(yōu)化和前面介紹的Clickhouse的優(yōu)化類似，將寫入壓力前置，放到SeaTunnel層來生成數(shù)據(jù)文件；對于業(yè)務庫能實現(xiàn)簡單的讀寫分離，但可能會存在一些熱點問題，需要前置一次repartion。

我們對jdbc協(xié)議寫入TiDB和BulkLoad的方案分別做了壓測，TiDB寫入3、4億條數(shù)據(jù)多實例寫入的情況下，壓測任務要運行兩小時以上，TaiShan只需要十幾分鐘即可跑完壓測，從結(jié)果來看Bulkload簡直不要太好，但有個無法回避的問題是TiDB集群是多個業(yè)務同時寫入的，分散到單個任務看起來寫入時間長。

我們也在嘗試繞過TiDB直接將數(shù)據(jù)寫入TiKV，這個方案我們也在調(diào)研和實踐中，感興趣的小伙伴可以看下：

https://github.com/tidb-incubator/TiBigData

3. 限速

在出倉場景，實際上還要考慮限流以及熔斷，沒有限速可能導致業(yè)務庫有一些問題，畢竟服務器能力有限，寫的太快將導致讀有影響。最開始我們使用的方法是在代碼內(nèi)Sleep，簡單實現(xiàn)就是假設數(shù)據(jù)寫入很快，可以在一毫秒內(nèi)完成，那么寫入的耗時就是代碼中sleep的時間，假如為例限速1w或5k，我們會通過sleep的時長就可以得出Spark需要的Executor數(shù)，達到間接的、不準確的限流。漏斗桶和令牌桶一個限制流入一個限制流出，我們用的不是很多。分布式的話我們小范圍使用了Sentinel，但分布式限流如果觸發(fā)熔斷可能由于寫入資源有限而寫入一直處于熔斷狀態(tài)，導致寫入時間長、數(shù)據(jù)任務破線。BBR算法是個很好的工具，有很多種實現(xiàn)，依賴的參數(shù)很多，甚至可以有對端的CPU及內(nèi)存水位，不斷嘗試得到最佳寫入量，在使用上可以很好的改善峰值問題。

04
監(jiān)控自理

1. 監(jiān)控

在使用上，我們承接了幾乎所有的離線出倉和入倉任務，作為數(shù)倉的零層和尾層，在入倉和出倉時需要及時感知可能存在的問題，一方面任務打優(yōu)先級，方便分級處理，在運行時，基于歷史指標預測當前任務的指標，當出現(xiàn)問題時及時告警接入檢查。

AlterEgo中，我們在Spark的Application Job內(nèi)定時上報寫入速度和寫入的數(shù)據(jù)量。Rider是常駐的可以運行多個Job，在Job中以Job為單位上報監(jiān)控數(shù)據(jù)。AlterEgo和Rider的數(shù)據(jù)全部接入到消息隊列里，消息最后被Aulick消費。Aulick內(nèi)設計了多種指標監(jiān)聽器，用于任務的監(jiān)控，包括運行時間、起止時間、速度、數(shù)據(jù)量、失敗重試次數(shù)和TiDB和MySQL特有的插入/更新數(shù)據(jù)量?；谶@些采集的指標數(shù)據(jù)，可以做到任務實例頁，方便用戶查看，另外匯總信息可以通過Grafana工具以及其他BI工具功能展示，異常告警交由Sensor做告警觸發(fā)。

數(shù)據(jù)采集上，Rider方式實現(xiàn)有的內(nèi)存Channel可以拿到同步的數(shù)據(jù)量等指標信息。AlterEgo方式由于是分布式，會有多個Executor進程同時上報，目前我們主要是通過自定義了累加器完成指標的上報，Executor端在使用累加器時實例化定時采集線程，由于各個Executor進程啟動時間不同，所以在上報時的時間點是不準確的，在使用上我們把時間按照10秒一個窗口進行規(guī)整，如在0-10秒上報的數(shù)據(jù)會全部規(guī)整到0秒上進行匯總。

2. 自理

在數(shù)據(jù)同步過程中，在數(shù)據(jù)維度上，需要發(fā)現(xiàn)異常讀寫速度、異常讀寫流量和異常走勢，出現(xiàn)問題及時監(jiān)控和報警，報警會有電話報警到對應負責人，對數(shù)據(jù)異常進行處理，防止由于上游數(shù)據(jù)導入任務異常導致下游數(shù)據(jù)產(chǎn)出問題。這類其實也可以通過DQC去做，但側(cè)重點不同，這里更關注事中觸發(fā)。

在時間維度上，基于任務歷史預測，數(shù)據(jù)同步任務到時間未啟動，或者任務已提交到Y(jié)arn但是由于資源不足沒有啟動，數(shù)據(jù)同步任務執(zhí)行時間過長，也是需要及時處理。

在診斷方面，在任務失敗后需要解析Error日志進行失敗歸因以及跟蹤，方便用戶自理，有一定量以后，還可以做任務的統(tǒng)計，以及資源優(yōu)化。

05
精彩問答

Q1：3-4億的BulkLoad壓測性能提升是如何實現(xiàn)的？

A：BulkLoad是先寫數(shù)據(jù)到本地磁盤，然后推到存儲系統(tǒng)，由存儲系統(tǒng)加載到內(nèi)存，首先是Seatunnel分布式的，在執(zhí)行時是分布式多進程生成各自的數(shù)據(jù)文件，最后再把數(shù)據(jù)文件推到存儲系統(tǒng), 實際的性能就看開多少并發(fā)度了，并且整個過程不會太消耗存儲系統(tǒng)的CPU及IO壓力，對讀也是非常友好。

Q2：限速階段如何感知下游壓力？

A：感知下游壓力，目前簡單做法可以通過后端返回的RT時間或者失敗來感知到存儲端壓力，目前熔斷可以簡單這么做，但這種不精細，無法處理好峰值問題，高級玩法可以參考BBR算法，依賴的參數(shù)很多，可以有存儲段的CPU及內(nèi)存水位，可以很好的改善峰值問題。

Q3：能否監(jiān)控精細到Byte字節(jié)數(shù)？

A：大部分細節(jié)指標需要自己試下，B站這邊是通過自定義d累加器實的現(xiàn)，在寫入數(shù)據(jù)時記錄數(shù)據(jù)字節(jié)數(shù)、條數(shù)等，簡單點可以自己getBytes拿到，我們這邊累加器會定時上報到消息隊列，然后由Aulick消費數(shù)據(jù)后再進行相應地做報警動作。比如如果傳輸?shù)淖止?jié)量，字節(jié)速率存在異常，就可以及時的發(fā)下，找相應的同學協(xié)同排查問題。

Q4：DataX和Seatunnel是否可以互相替代？

A：工具平臺在落地上，互相替換是很有必要的，出去性能差別外，在執(zhí)行上也只是配置文件的區(qū)別。在集群規(guī)模很大后會收到很多環(huán)境問題、異常及各類問題影響，在工具使用上有個降級方案還是很有必要的。比如我們最近遇到了JDK的Bug，在kerberos認證時認證隊列可能拉長，引起寫入速度慢，事故當時，DataX在寫數(shù)據(jù)時需要經(jīng)過認證，無法及時定位問題，大部分集成任務運行出現(xiàn)速度慢、以及超時。為了防止事故再次出現(xiàn)，我們已經(jīng)實現(xiàn)了大部分任務的可互相替換運行數(shù)據(jù)同步任務，實現(xiàn)任務的高可用。

今天的分享就到這里，謝謝大家。