字节跳动数据湖技术选型的思考

字节跳动数据集成的现状

在2018年，我们基于Flink构造了异构数据源之间批式同步通道，主要用于将在线数据库导入到离线数仓，和不同数据源之间的批式传输。

在2020年，我们基于Flink构造了MQ-Hive的实时数据集成通道，主要用于将消息队列中的数据实时写入到Hive和HDFS，在计算引擎上做到了流批统一。

到了2021年，我们基于Flink构造了实时数据湖集成通道，从而完成了湖仓一体的数据集成系统的构建。

字节跳动数据集成系统目前支持了几十条不同的数据传输管道，涵盖了线上数据库，例如Mysql Oracle和MangoDB；消息队列，例如Kafka RocketMQ；大数据生态系统的各种组件，例如HDFS、HIVE和ClickHouse。

在字节跳动内部，数据集成系统服务了几乎所有的业务线，包括抖音、今日头条等大家耳熟能详的应用。

整个系统主要分成3种模式——批式集成、流式集成和增量集成。

• 批式集成模式基于Flink Batch模式打造，将数据以批的形式在不同系统中传输，目前支持了20多种不同数据源类型。
• 流式集成模式主要是从MQ将数据导入到Hive和HDFS，任务的稳定性和实时性都受到了用户广泛的认可。
• 增量模式即CDC模式，用于支持通过数据库变更日志Binlog，将数据变更同步到外部组件的数据库。这种模式目前支持5种数据源，虽然数据源不多，但是任务数量非常庞大，其中包含了很多核心链路，例如各个业务线的计费、结算等，对数据准确性要求非常高。在CDC链路的整体链路比较长。首先，首次导入为批式导入，我们通过Flink Batch模式直连Mysql库拉取全量数据写入到Hive，增量Binlog数据通过流式任务导入到HDFS。由于Hive不支持更新操作，我们依旧使用了一条基于Spark的批处理链路，通过T-1增量合并的方式，将前一天的Hive表和新增的Binlog进行合并从而产出当天的Hive表。

随着业务的快速发展，这条链路暴露出来的问题也越来越多。

• 首先，这条基于Spark的离线链路资源消耗严重，每次产出新数据都会涉及到一次全量数据Shuffle以及一份全量数据落盘，中间所消耗的储存以及计算资源都比较严重。
• 同时，随着字节跳动业务的快速发展，近实时分析的需求也越来越多。
• 最后，整条链路流程太长，涉及到Spark和Flink两个计算引擎，以及3个不同的任务类型，用户使用成本和学习成本都比较高，并且带来了不小的运维成本。

为了解决这些问题，我们希望对增量模式做一次彻底的架构升级，将增量模式合并到流式集成中，从而可以摆脱对Spark的依赖，在计算引擎层面做到统一。

改造完成后，基于Flink的数据集成引擎就能同时支持批式、流式和增量模式，几乎可以覆盖所有的数据集成场景。

同时，在增量模式上，提供和流式通道相当的数据延迟，赋予用户近实时分析能力。在达到这些目标的同时，还可以进一步降低计算成本、提高效率。

经过一番探索，我们关注到了正在兴起的数据湖技术。

关于数据湖技术选型的思考我们的目光集中在了Apache软件基金会旗下的两款开源数据湖框架Iceberg和Hudi中。Iceberg和Hudi两款数据湖框架都非常优秀。但两个项目被创建的目的是为了解决不同的问题，所以在功能上的侧重点也有所不同。

• Iceberg：核心抽象对接新的计算引擎的成本比较低，并且提供先进的查询优化功能和完全的schema变更。
• Hudi：更注重于高效率的Upsert和近实时更新，提供了Merge On Read文件格式，以及便于搭建增量ETL管道的增量查询功能。

一番对比下来，两个框架各有千秋，并且离我们想象中的数据湖最终形态都有一定距离，于是我们的核心问题便集中在了以下两个问题：

• 哪个框架可以更好的支持我们CDC数据处理的核心诉求？
• 哪个框架可以更快速补齐另一个框架的功能，从而成长为一个通用并且成熟的数据湖框架？

经过多次的内部讨论，我们认为：Hudi在处理CDC数据上更为成熟，并且社区迭代速度非常快，特别是最近一年补齐了很多重要的功能，与Flink的集成也愈发成熟，最终我们选择了Hudi作为我们的数据湖底座。

01 - 索引系统

我们选择Hudi，最为看重的就是Hudi的索引系统。

这张图是一个有索引和没有索引的对比。在CDC数据写入的过程中，为了让新增的Update数据作用在底表上，我们需要明确知道这条数据是否出现过、出现在哪里，从而把数据写到正确的地方。

在合并的时候，我们就可以只合并单个文件，而不需要去管全局数据。如果没有索引，合并的操作只能通过合并全局数据，带来的就是全局的shuffle。在图中的例子中，没有索引的合并开销是有索引的两倍，并且如果随着底表数据量的增大，这个性能差距会呈指数型上升。

所以，在字节跳动的业务数据量级下，索引带来的性能收益是非常巨大的。Hudi提供了多种索引来适配不同的场景，每种索引都有不同的优缺点，索引的选择需要根据具体的数据分布来进行取舍，从而达到写入和查询的最优解。下面举两个不同场景的例子。

日志数据去重场景

在日志数据去重的场景中，数据通常会有一个create_time的时间戳，底表的分布也是按照这个时间戳进行分区，最近几小时或者几天的数据会有比较频繁的更新，但是更老的数据则不会有太多的变化。冷热分区的场景就比较适合布隆索引、带TTL的State索引和哈希索引。

CDC场景

第二个例子是一个数据库导出的例子，也就是CDC场景。这个场景更新数据会随机分布，没有什么规律可言，并且底表的数据量会比较大，新增的数据量通常相比底表会比较小。在这种场景下，我们可以选用哈希索引、State索引和Hbase索引来做到高效率的全局索引。这两个例子说明了不同场景下，索引的选择也会决定了整个表读写性能。Hudi提供多种开箱即用的索引，已经覆盖了绝大部分场景，用户使用成本非常低。

02 - Merge On Read表格式

除了索引系统之外，Hudi的Merge On Read表格式也是一个我们看重的核心功能之一。这种表格式让实时写入、近实时查询成为了可能。在大数据体系的建设中，写入引擎和查询引擎存在着天然的冲突：

• 写入引擎更倾向于写小文件，以行存的数据格式写入，尽可能避免在写入过程中有过多的计算包袱，最好是来一条写一条。
• 查询引擎则更倾向于读大文件，以列存的文件格式储存数据，比如说parquet和orc，数据以某种规则严格分布，比如根据某个常用字段进行排序，从而做到可以在查询的时候，跳过扫描无用的数据，来减少计算开销。

为了在这种天然的冲突下找到最佳的取舍，Hudi支持了Merge On Read的文件格式。

MOR格式中包含两种文件：一种是基于行存Avro格式的log文件，一种是基于列存格式的base文件，包括Parquet或者ORC。log文件通常体积较小，包含了新增的更新数据。base文件体积较大，包含了所有的历史数据。

• 写入引擎可以低延迟的将更新的数据写入到log文件中。
• 查询引擎在读的时候将log文件与base文件进行合并，从而可以读到最新的视图；compaction任务定时触发合并base文件和log文件，避免log文件持续膨胀。在这个机制下，Merge On Read文件格式做到了实时写入和近实时查询。

03 - 增量计算

索引系统和Merge On Read格式给实时数据湖打下了非常坚实的基础，增量计算则是这个基础之上的Hudi的又一个亮眼功能：

​增量计算赋予了Hudi类似于消息队列的能力。用户可以通过类似于offset的时间戳，在Hudi的时间线上拉取一段时间内的新增数据。在一些数据延迟容忍度在分钟级别的场景中，基于Hudi可以统一Lambda架构，同时服务于实时场景和离线场景，在储存上做到流批一体。

结语在选择了基于Hudi的数据湖框架后，我们基于字节跳动内部的场景，打造定制化落地方案。我们的目标是通过Hudi来支持所有带Update的数据链路。