从0到1构建数据生态系列之三：拆解架构图

接上一篇《从0到1构建数据生态系列之二：拓荒》，这篇我们来好好拆解一下我们的蓝图。

1 写在之前

之前有朋友在后台留言说，从第二章中，可以看出文章略显匆忙，并没有把拓荒的一些过程细节给描绘出来。

这里检讨一下，我坦白、我认罪。

当时那个话题一写开来的时候，突然就发现这是一个巨大的话题，随便发散下去又一大篇了，所以我还是在这一张穿插着把上一张的部分内容补充完整。

当然，至今为止，我已经把未来三章的内容规划出来了，这样更容易把控这个系列的质量。

所以，请期待，请不要放弃治疗。

回归话题，这一部分我将结合架构图中的东西，讲述我们是如何拆解完整的数据规划到执行的过程，并且期间一些思考方式也会一起分享出来(感觉这更是重点)。

2 结合业务需求拆解架构图

这里，我们把之前一章已经上过的架构图再贴一次：

先简单的从整体上说一下这个架构图。

从架构图中，我们可以看出来，我们整个数据架构中，需要做的事情很多。

随着数据的流向，从下到上，主要分三层：

• 第一层是数据收集层，负责基础数据的收集工作；
• 第二层是数据存储以及处理层，负责数据存储，以及对数据进行深度处理，数据的转换，价值的挖掘等；
• 最上层是应用层，基于下面的数据处理，进行价值转换；当然还有贯穿整个过程的监控以及任务调度相关的工作。

第一层中，主要有四个数据来源：用户行为埋点上报数据、服务日志的数据、后端的业务数据、互联网的公开数据。

第二层中，我们主要的核心框架是hadoop的核心生态，基于HDFS的存储(本质上hive的存储也是基于HDFS)，以及基于spark的部分实时处理的需求场景，主要是平台级的架构。

当然，至于说具体的处理以及数据的加工、挖掘详细数据业务，后续其他章节再详述。

第三层中，我们直接面向的是业务方。

一方面是数据生态中最基础最常见的的数据智能商业化分析，我们以EXCEL封装成邮件日报周报的形式提供另一方面是平台化的BI系统，以及高度自助性的数据自助查询系统。

在深度挖掘方面，推荐是一个大方向，基于数据的当代搜索也是数据生态的重要组成部分，以及业务画像、用户画像(绝对核心价值所在)等。

当然，除了以上这些，还有一些基于数据的推送服务啊、榜单数据啊、精准营销系统啊，都是数据进一步有效应用，以及数据化价值的直接体现。

收回话题，在时间有限，人力有限，并且基础是0的前提下，事情解决的顺序就显得尤为重要了。

当前的业务需求。

想要使用数据，前提是有数据。所以，我们第一个需要解决的问题是数据源，但是核心的驱动价值因素是我们的业务需求。

我们第一个业务需求就是从数据上洞察产品的运营效果，电商的各种数据运营需求，指导内容数据化运营、电商数据化运营以及通过数据改进产品。

跟业务强相关的基础数据是产品的业务数据库，这个是现成的，只要打通数据流通即可。

与用户行为强相关的则是最直接的用户行为埋点上报数据，以及用户使用服务，在应用服务中留下的访问LOG。

基于服务日志LOG解析数据，一方面如果需要从服务LOG中清洗出有用数据，前提是服务中已经有意识的进行相关信息的LOG落地，这一点，很遗憾，当时并没有这个前瞻性。

其次，从服务LOG中清洗数据的代价略高，且信息量有限。

所以，在这个阶段中，我们并没有打算直接从服务LOG中清洗数据，因为在服务LOG中埋入数据收集点位，也是一个巨大的改造工程，但效果并不一定好。

我们将最快限度的打通业务数据库与数据中心的通道，然后以最快速度的对业务方提供可参考性的数据化日报。

打通行为数据到数据应用的链路，结合用户行为数据，进一步优化数据化运营体系，以及为产品优化迭代提供数据支撑。

构造最基础的数据中心平台，打通数据收集到数据分析应用的链路，为业务方、决策层提供数据化运营决策方案，为产品迭代提供最真实的数据反馈支撑。

这就是我们数据部门第一个战略目标，什么深度挖掘，什么推荐系统，这些在这个时候统统都不要想太多啦，饭需要一口一口的吃！

我们之所以需要拆分阶段目标，依然是投入与产出比的问题！

当我们有一个大目标时，我们需要把目标进行拆分，进一步拆分为阶段可实施、成果可见的阶段性目标，在这里同样适用。

并且，记住，你的老板是不懂技术的，他才不会管你的平台又建设到什么什么程度，集群又搭建了多少台，他只会问，这都一两个月了，你们数据怎么还没有给公司带来价值啊？！(哈哈，有点黑BOSS的感觉了)

不过这肯定是现实，不同位置上的人关注的核心重点不一样。可能你需要关注整体的进度，而业务层只关心你的产出给他带来什么帮助。

是的，拆解大目标有利于我们快速入手启动项目；成果阶段化，更具有鼓励性，成就感；最后就是阶段性目标的实现情况更容易量化你的效率。

从人力的需求评估角度上说，也是有道理的，只有随着你的体系一步一步完善，你才知道哪个环节真正的缺人，缺什么人，这点很关键。

不过最本质的问题，还是投入与产出比。

我们在做人一件事情的时候，都需要注意投入与产出的比例，在一定的时间段内、投入一定的精力、产出一定比例的成果。

有这种价值观，处理事务才更有效率！

3 如何做机器需求的评估

要打通数据收集到数据分析业务的输出链路，那么，你需要一个数据平台进行支撑。甚至，后续你将持续开挖的数据核心价值，也是基于平台上做的。

所以，我们需要一个数据平台，而说到平台，则机器资源是绕不过去的一个问题。

那么，如何去评估你的集群需要多少台机器呢？每个机器又是以一个什么样的角色而存在呢？

在评估之前，你首先清楚的了解到，你平台上需要承载的业务，包括内部的处理业务以及对外暴露的数据业务。

其次，你需要考虑后续一个可扩展性，即后续数据量上涨的情况下，机器的横向扩展当然是没有问题的，但是部分角色机器的资源需求是在纵向。

举个简单例子，Hadoop的datanode可以在横向上进行扩展，但是namenode的资源需求则无法做到。

至于说如何进行机器资源评估，在了解自身业务需求的前提下，这里所说的业务需求，不单纯是业务范围，也意味着业务范围承载的数据量是什么情况。

在了解自身数据量的情况下，多查找其他公司的案例，与其他同行多交流沟通，借鉴其他公司的数据量与集群规模，来评估自身所需要的机器资源。

不过需要注意一点的是，对于电商行业，经常会出现节日性、活动性质的流量暴涨。

所以，你的机器资源一定是需要考虑这些实际场景负载的，或者对于这种场景，你有其他的方案进行处理也OK。

4 使用Nginx做数据上报伪服务

上面说到第二个重点，那就是用户行为数据的上报。

了解数据上报以及埋点相关逻辑的朋友应该清楚，其实所谓的SDK，其本质也是一个接受数据上报的服务。

直接往上报服务中丢数据，跟封装成工具SDK，本质的意义是一样的，我们需要提供一个对外的数据上报服务。

上报什么数据，数据以什么格式上报，这个在下一章的“数据上报体系”部分详细阐述，这里只是对上报服务这块进行讲解。

那这意味着，我们需要为客户端或者H5的童鞋提供一个统一的上报服务接口，让他们在用户特定行为操作的时候。

比如浏览了某个页面，操作了某个按钮等之类的操作，进行这种信息的收集统一上报。

说白了，封装用户的行为数据，在适当时候调我们的接口，把用户的行为数据给我传过来。

那这看似就是一个后台服务，用于处理上报过来的数据。

但是请注意，不管你是一个服务也好，伪服务也好，一般情况下绝不会直接把获取到的数据直接落地的，这是传统的思维路子。

要知道上报的业务流量是很大的，特别是你的点位足够丰满的情况下，在流量高峰期，你要是敢直接进行数据落地，它就敢直接把你的服务给搞死。

一般情况下，我们都会把数据丢给缓存，以解耦上报与落地两端的压力。

既然如此，在有限的人力资源下，在项目时间有限的前提下，为何要花这么大的精力去维护一个服务呢？于是，有了伪服务设想。

我们直接使用Nginx对外伪装成一个Web服务，提供Restful API，但我们不对上报的内容做任何处理，直接落地成Nginx的日志，再通过Flume对日志进行监控，丢到Kafka中。

这样我们就迅速的搭建起一个上报“服务”，提供给客户端童鞋以及H5的童鞋，制定好数据上报的规范，然后就可以坐等数据过来了。

关于数据的合理性校验、规范性校验、有效性校验、以及进一步的解析，我们都放到Spark Streaming这一层去做。

其实当时也是调研过lua的，在Nginx这一层也是可以做到数据完整性以及有效性校验的，但是为了不至于给Nginx端带来过大的负荷，我们把复杂的逻辑处理放到后端。

基于这种伪服务的设计，还有一个好处就是，即使后端链路出现故障，但我的原始数据是落到LOG中的，了不起我进行数据的回溯，再通过LOG清洗出异常的部分就行了。

这也是我们后续实时数据容错的核心依据所在，所以，重点推荐。

5 使用Spark Streaming做实时数据清洗

接上面的上报，我们在后端一层是使用Spark Streaming做数据校验、进一步清洗的。

如果业务对于实时性要求不高，我们完全是不必要做数据的实时链路的，只需要周期性的把Nginx中的上报日志进行批量清洗入库即可。

但是，一方面基于部分对实时性稍高(其实也不高，分钟级别)，例如电商活动期间对数据的实时监控；另一方面来说，实时性的数据上报链路是最终的目标，为了业务的时效性，迟早是需要做的。

由于我们需要在后端的处理环节中，对数据的有效性、规范性做校验，并且做进一步的属性解析，例如通过IP解析地理位置之类的，所以承载的业务逻辑还是蛮复杂的。

所以，我们打算引入一个实时处理框架来做这件事。

关于实时框架这块，我想，熟悉的朋友都会想到两个：Storm与Spark Streaming。

简单的说一下两者的对比。

很久以前翻译过一篇文章《翻译：Storm与Spark Streaming的对比》，这里只是简单的说一说。

Storm与Spark Streaming最本质的区分在于，Storm是真正实时处理，而Spark Streaming的处理本质则是微批处理。

所以Storm能够将实时业务达到毫秒级，而Spark Streaming虽然也能达到亚秒级，但对于效率的影响会比较大，所以一般会用于秒级的数据处理。

目前就我们自身的业务需求来说，对于实时性并没有高到毫秒级的要求。

并且，为了维护系统平台的统一性(统一的平台架构，统一的YARN资源管理，同一个垂直生态)，我们选择使用Spark Streaming作为我们数据清洗的入口。

使用Spark Streaming需要解决的一个问题就是，输出结果的高度碎片化。

正如上面所说，Spark Streaming其核心依然是Spark的路子，在微小的时间窗内，对微小批量的数据进行处理，达到类似实时的效果。

而其每一个批量处理之后都是以批量结果得以输出，于是，就会产生大量的碎片文件。

其实，解决这个问题也简单，那就是合并！进行周期性的文件合并，这点就不多说了。

既然说到了Spark Streaming，也就顺带着说一说Spark这个生态。

在很早以前，Hadoop、MapReduce经常会被人提到，但是随着Spark的兴起，已经越来越少人愿意使用MapReduce去批量处理数据了。

是的，Spark目前在Hadoop大生态中，已经形成一个比较完整的子生态:

• 包括与数据查询分析关联的Spark SQL；
• 实时处理领域的Spark Streaming；
• 正常内存处理可以替代MapReduce的离线批量；
• 还有集成大量机器学习包的MLlib；
• 以及还有什么图形处理的什么鬼(好吧，那个不是我擅长的)。

在效率至上的数据时代，MapReduce说抛弃就被抛弃了(哈哈，其实也没有这么严重，只是越来越多人弃用MapReduce，这肯定是事实)。

在体系支撑上，Spark依然成气候，数据的常规SQL分析，数据的内存处理、实时处理，以及数据的深度挖掘等，全部一起打包，好用的不得了，所以越来越得人心，也是木有办法的事。

关于IP地理位置解析，这里也可以分享一下。

IPIP.NET提供的IP库实在是值得推荐的，没钱的可以使用它提供的免费版，有钱的主可以考虑使用使用付费版。

其实免费版也没有想象中那么不堪，只是他提供的服务没有这么多，更新的频次少点而已，大部分能解析到市一级，至于省份这一级，那是妥妥的没问题的。

6 结语

这一章主要阐述如何从局部入手，拆解架构图，进行阶段性的任务执行，从这个角度讲，上一章节的标题反倒是更适合这个了。

其中，详细讲解了部分核心重点，包括架构图的拆解、机器资源的评估、Nginx的上报伪服务、以及基于Spark Streaming的数据清洗等。

但是，个人认为，更重要的是期中阐述一些问题的思考方式、价值观等。诸如拆解整体规划的思考、扩展预留的思考、方案选择的对比衡量等。

方法论远比现成的方案有用！我一向的观点是：授人以鱼不如授人以渔。

OK，到这里，本章节打完收工。

下一章节将很有意思，内容就不过多暴露了，看标题《从0到1构建数据生态之二：与研发团队的爱恨情仇》。

7 致谢

PS：在数据生态构建的初期，也咨询过很多业内的同行朋友，他们也给了很多真心的建议，所以，这里给这些大神们致谢！

哈哈，所谓的排名不分先后，都一律谢过：

• @乐视云的祝威廉大神
• @乐视云的一斐大神
• @极客学院的马健大神
• @百度的二铁兄
• @前百度现GrowingIO的何健大神
• @其他Storm-Hadoop-大数据群里，给过意见或建议的盆友

来源：数据虫巢，作者：blogchong