本文來源於公眾號【胖滾豬學編程】，轉載請注明出處！
關於數據中台的概念和架構，我們在大白話 六問數據中台和數據中台全景架構及模塊解析！一文入門中台架構師！兩篇文章中都說明白了。從這一篇文章開始分享中台落地實戰。
其實無論是數據中台還是數據平台，數據無疑都是核心中的核心，所以閉着眼睛想都知道數據匯聚是數據中台/平台的入口。縱觀眾多中台架構圖，數據采集與匯聚都是打頭陣的：
本文將從以下幾個方面分享數據采集的方方面面：
一、企業數據來源
二、數據采集概念和價值
三、數據采集常用工具
四、數據采集系統設計原則
五、數據采集模塊生產落地分享
有來源才能談采集，因此我們先來歸納下企業中數據來源。
數據來源
企業中的數據來源極其多，但大都都離不開這幾個方面：數據庫，日志，前端埋點，爬蟲系統等。
-
數據庫我們不用多說，例如通常用mysql作為業務庫，存儲業務一些關鍵指標，比如用戶信息、訂單信息。也會用到一些Nosql數據庫，一般用於存儲一些不那么重要的數據。
-
日志也是重要數據來源，因為日志記錄了程序各種執行情況，其中也包括用戶的業務處理軌跡，根據日志我們可以分析出程序的異常情況，也可以統計關鍵業務指標比如PV,UV。
-
前端埋點同樣是非常重要的來源，用戶很多前端請求並不會產生后端請求，比如點擊，但這些對分析用戶行為具有重要的價值，例如分析用戶流失率，是在哪個界面，哪個環節用戶流失了，這都要靠埋點數據。
-
爬蟲系統大家應該也不陌生了，雖然現在很多企業都聲明禁止爬蟲，但往往禁止爬取的數據才是有價值的數據，有些管理和決策就是需要競爭對手的數據作為對比，而這些數據就可以通過爬蟲獲取。
數據采集與抽取
剛剛說了這么多數據，可是它們分散在不同的網絡環境和存儲平台中，另外不同的項目組可能還要重復去收集同樣的數據，因此數據難以利用，難以復用、難以產生價值。數據匯聚就是使得各種異構網絡、異構數據源的數據，方便統一采集到數據中台進行集中存儲，為后續的加工建模做准備。
-
數據匯聚可以是實時接入，比如Flume實時采集日志，比如Canal實時采集mysql的binlog。
-
也可以是離線同步，比如使用sqoop離線同步mysql數據到hive，使用DataX將mongo數據同步到hive。
技術選型
數據采集常用框架有Flume、Sqoop、LogStash、DataX、Canal，還有一些不算很主流但同樣可以考慮的工具如WaterDrop、MaxWell。這些工具的使用都非常簡單，學習成本較低。只不過實際使用中可能會有一些細節問題。但是總體來說難度不大。
所以重點還是應該了解每種工具的適用范圍和優缺點。然后想清楚自己的需求是什么，實時還是離線？從哪種數據源同步到哪里？需要經過怎么樣的處理？
Flume
Flume是一個分布式、可靠、和高可用的海量日志采集、聚合和傳輸的系統。
Flume可以采集文件，socket數據包等各種形式源數據，又可以將采集到的數據輸出到HDFS、hbase、hive、kafka等眾多外部存儲系統中。
Logstash
Logstash 即大名鼎鼎的ELK中的L。Logstash最常用於ELK（elasticsearch + logstash + kibane）中作為日志收集器使用
Logstash主要組成如下：
- inpust：必須，負責產生事件（Inputs generate events），常用：File、syslog、redis、beats（如：Filebeats）
- filters：可選，負責數據處理與轉換（filters modify them），常用：grok、mutate、drop、clone、geoip
- outpus：必須，負責數據輸出（outputs ship them elsewhere），常用：elasticsearch、file、graphite、statsd
Sqoop
Sqoop主要用於在Hadoop(HDFS、Hive、HBase)與傳統的數據庫(mysql、postgresql…)間進行數據的傳遞，可以將一個關系型數據庫中的數據導進到Hadoop的HDFS中，也可以將HDFS的數據導進到關系型數據庫中。
Datax
DataX 是阿里巴巴集團內被廣泛使用的離線數據同步工具/平台，實現包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各種異構數據源之間高效的數據同步功能。
所支持的數據源如下，也可自行開發插件：
| 類型 | 數據源 | Reader(讀) | Writer(寫) | 文檔 |
|---|---|---|---|---|
| RDBMS 關系型數據庫 | MySQL | √ | √ | 讀 、寫 |
| Oracle | √ | √ | 讀 、寫 | |
| SQLServer | √ | √ | 讀 、寫 | |
| PostgreSQL | √ | √ | 讀 、寫 | |
| DRDS | √ | √ | 讀 、寫 | |
| 通用RDBMS(支持所有關系型數據庫) | √ | √ | 讀 、寫 | |
| NoSQL數據存儲 | OTS | √ | √ | 讀 、寫 |
| Hbase0.94 | √ | √ | 讀 、寫 | |
| Hbase1.1 | √ | √ | 讀 、寫 | |
| Phoenix4.x | √ | √ | 讀 、寫 | |
| Phoenix5.x | √ | √ | 讀 、寫 | |
| MongoDB | √ | √ | 讀 、寫 | |
| Hive | √ | √ | 讀 、寫 | |
| Cassandra | √ | √ | 讀 、寫 | |
| 無結構化數據存儲 | TxtFile | √ | √ | 讀 、寫 |
| FTP | √ | √ | 讀 、寫 | |
| HDFS | √ | √ | 讀 、寫 | |
| Elasticsearch | √ | 寫 | ||
| 時間序列數據庫 | OpenTSDB | √ | 讀 | |
| TSDB | √ | √ | 讀 、寫 |
Canal
canal 主要用途是基於 MySQL 數據庫增量日志解析，提供增量數據訂閱和消費
怎么用呢？啟動canal-server 連上MySQL，再使用canal-client連接canal-server接收數據變更消息，拿到對應表和變更數據之后自行觸發對應業務邏輯。更通用的是使用canal把數據變更直接投遞到消息隊列，使用消息隊列消費者來處理邏輯，另外還支持canal落地到ES等地方。圖中已經很詳細了！
由於篇幅問題，本文不對這些工具做詳細對比，想知道它們的優缺點嗎?想知道該如何選型嗎？去公眾號【胖滾豬學編程】找答案吧！
數據落地
采集之后必然需要將數據落地，即存儲層，常見的有：
- MYSQL、Oracle
- Hive、Hdfs
- HBase
- Redis
- ElasticSearch
- Tidb
- Mongo
學習Hive、HBase、ElasticSearch、Redis、請關注公眾號【胖滾豬學編程】吧！
需要說明的是，數據采集之后往往會先發送給Kafka這種消息隊列，然后才真正落地到各種存儲層中。
數據匯聚設計原則
從中台的角度來考慮，筆者認為，數據匯聚層的設計需要考慮幾個關鍵的因素:
-
設計之初就應該考慮支持各類數據源 ，支持不同來源、不同類型的數據源。數據匯聚層不是為某一種數據而生的，應該做到通用化。
-
需要支持不同時間窗口的數據采集，實時的、非實時的、歷史的。
-
操作友好簡單，即使是不懂技術的人，也可以方便的操作，進行數據同步；舉例mysql同步到hive，你不應該讓用戶去填寫復雜的sqoop任務參數，而是只需要選擇源表和目的表，其他事情都交給中台去完成。
-
合理選擇存儲層，不同數據源應存儲在不同的地方，比如日志數據肯定不適合mysql。
本文來源於公眾號【胖滾豬學編程】，轉載請注明出處！
生產落地分享
筆者馬上要開始分享公司真實落地案例了！網上文章千篇一律，極少數會有實戰落地分享！也歡迎各位大佬指教！
首先剛剛說到設計原則，應該考慮支持各類數據源 各類落地，應該分別考慮離線和實時采集、應該要操作友好簡單，不懂技術也可操作。我們整體的設計也是以這幾個原則作為指導的。想分別從離線和實時采集方面介紹一下公司落地方案：
離線采集
離線同步方面、在我司主要是會采集抽取如下圖所示的幾個數據源數據，最終落地到HIVE或者TIDB，落地到HIVE的作用我就不多說了，大家都比較熟悉。而落地到TIDB主要是支持實時查詢、實時業務分析以及各類定時跑批報表。
下面通過mysql自助化同步到hive為例，分享自助化離線數據采集模塊的系統設計。
首先通過數據中台源數據管理模塊，將數據源的信息一一展示出來，用戶按需勾選同步：
同步支持全量同步以及增量同步，支持附加配置，比如脫敏、加密、解密等。由於需要規范數倉表名、因此目的表名由系統自動生成，比如mysql同步到hive統一前綴ods_（后續在數倉規范中會詳細說明，敬請關注公眾號【胖滾豬學編程】）
用戶點擊確認同步之后，首先會經過元數據管理系統，從元數據管理系統中查詢出同步任務所需要的元信息(包括ip，端口，賬戶密碼，列信息)，組裝成sqoop參數，將同步信息(包括申請人、申請理由、同步參數等信息)記錄到mysql表中。然后調用工單系統經過上級領導審核。
工單系統審核后發消息給到mq，通過mq可實時獲取到工單審核狀態，如果審核通過，則在調度系統（基於EasyScheduler）自動生成任務，早期我司選擇Azkaban，后來發現EasyScheduler多方面都完勝Azkaban，尤其在易用性、UI、監控方面。
從圖中可知mysql同步到hive涉及三個流程節點，以user表增量同步為例，第一步是通過sqoop任務將mysql數據同步到hive的ods_user_tmp表，第二步是將ods_user_tmp的數據merge到ods_user中（覆蓋原有分區）,第三步是做數據檢驗。
除了mysql同步到hive，其他數據源的同步也大同小異，關鍵是定義好流程模板(通常是shell腳本)和流程依賴，然后利用調度系統進行調度。
實時采集
實時采集模塊，我司是基於Flink實時計算平台，具有如下特性：
- 支持多種數據源：Kafka、RocketMq、Hive等
- 支持多種落地：Kafka、JDBC、HDFS、ElasticSearch、RocketMq、HIVE等
- 通用sql處理：數據處理直接配置一條sql即可
- 告警策略：支持多種告警策略，如流計算堆積batch的監測、應用的啟動退出等。
在設計原則上，也充分考慮了擴展性、易用性，source、process、sink\dim(維表)均為插件化開發，方面后續擴展，界面化配置，自動生成DAG圖，使得不懂技術的人也可以很快上手進行流計算任務開發：
由於篇幅問題，細節問題不能一一說清，本人將在公眾號【胖滾豬學編程】持續分享，歡迎關注。
本文來源於公眾號【胖滾豬學編程】一個集顏值與才華於一身的女程序媛。以漫畫形式讓編程so easy and interesting。