实时数仓Hologres：基于Flink+Hologres搭建实时数仓

背景信息

随着社会数字化发展，企业对数据时效性的需求越来越强烈。除传统的面向海量数据加工场景设计的离线场景外，大量业务需要解决面向实时加工、实时存储、实时分析的实时场景问题。传统离线数仓搭建的方法论比较明确，通过定时调度实现数仓分层（ODS->DWD->DWS->ADS）；但对于实时数仓的搭建，目前缺乏明确的方法体系。基于Streaming Warehouse理念，实现数仓分层之间实时数据的高效流动，可以解决实时数仓分层问题。

方案架构

实时计算Flink版是强大的流式计算引擎，支持对海量实时数据高效处理。Hologres是一站式实时数仓，支持数据实时写入与更新，实时数据写入即可查。Hologres与Flink深度集成，能够提供一体化的实时数仓联合解决方案。本文基于Flink+Hologres搭建实时数仓的方案架构如下：

1. Flink将数据源写入Hologres，形成ODS层。

2. Flink订阅ODS层的Binlog进行加工，形成DWD层再次写入Hologres。

3. Flink订阅DWD层的Binlog，通过计算形成DWS层，再次写入Hologres。

4. 最后由Hologres对外提供应用查询。

该方案有如下优势：

• Hologres的每一层数据都支持高效更新与修正、写入即可查，解决了传统实时数仓解决方案的中间层数据不易查、不易更新、不易修正的问题。

• Hologres的每一层数据都可单独对外提供服务，数据的高效复用，真正实现数仓分层复用的目标。

• 模型统一，架构简化。实时ETL链路的逻辑是基于Flink SQL实现的；ODS层、DWD层和DWS层的数据统一存储在Hologres中，可以降低架构复杂度，提高数据处理效率。

该方案依赖于Hologres的3个核心能力，详情如下表所示。

实践场景

本文以某个电商平台为例，通过搭建一套实时数仓，实现数据的实时加工清洗和对接上层应用数据查询，形成实时数据的分层和复用，支撑各个业务方的报表查询（交易大屏、行为数据分析、用户画像标签）以及个性化推荐等多个业务场景。

1. 构建ODS层：业务数据库实时入仓

   MySQL有orders（订单表），orders_pay（订单支付表），product_catalog（商品类别字典表）3张业务表，这3张表通过Flink实时同步到Hologres中作为ODS层。

   

2. 构建DWD层：实时主题宽表

   将订单表、商品类别字典表、订单支付表进行实时打宽，生成DWD层宽表。

   

3. 构建DWS层：实时指标计算

   实时消费宽表的binlog，事件驱动的聚合出相应的DWS层指标表。

   

前提条件

• 已购买独享通用型Hologres实例，详情请参见购买Hologres。

  购买实例后，需要创建order_dw数据库和用户（为用户赋予admin权限），推荐使用简单权限模型创建数据库，详情请参见简单权限模型的使用和DB管理。

  如果在被授权账号的下拉列表找不到对应的账号，则说明该账号并未添加至当前实例，您需要前往用户管理页面添加用户为SuperUser。

  说明

  • Hologres1.3版本在创建完数据库后，需要执行create extension hg_binlog命令才能开启binlog扩展。

  • Hologres2.0之后版本默认开启binlog扩展，无需手动执行。

• 已开通Flink全托管，详情请参见开通Flink全托管。

  说明

  Flink全托管需要与Hologres实例处于同一VPC。

• 已准备MySQL CDC数据源，order_dw数据库中的三张业务表的建表DDL以及插入的数据如下。

  CREATE TABLE `orders` (
    order_id bigint not null primary key,
    user_id varchar(50) not null,
    shop_id bigint not null,
    product_id bigint not null,
    buy_fee numeric(20,2) not null,   
    create_time timestamp not null,
    update_time timestamp not null default now(),
    state int not null 
  );
  
  
  CREATE TABLE `orders_pay` (
    pay_id bigint not null primary key,
    order_id bigint not null,
    pay_platform int not null, 
    create_time timestamp not null
  );
  
  
  CREATE TABLE `product_catalog` (
    product_id bigint not null primary key,
    catalog_name varchar(50) not null
  );
  
  -- 准备数据
  INSERT INTO product_catalog VALUES(1, 'phone_aaa'),(2, 'phone_bbb'),(3, 'phone_ccc'),(4, 'phone_ddd'),(5, 'phone_eee');
  
  INSERT INTO orders VALUES
  (100001, 'user_001', 12345, 1, 5000.05, '2023-02-15 16:40:56', '2023-02-15 18:42:56', 1),
  (100002, 'user_002', 12346, 2, 4000.04, '2023-02-15 15:40:56', '2023-02-15 18:42:56', 1),
  (100003, 'user_003', 12347, 3, 3000.03, '2023-02-15 14:40:56', '2023-02-15 18:42:56', 1),
  (100004, 'user_001', 12347, 4, 2000.02, '2023-02-15 13:40:56', '2023-02-15 18:42:56', 1),
  (100005, 'user_002', 12348, 5, 1000.01, '2023-02-15 12:40:56', '2023-02-15 18:42:56', 1),
  (100006, 'user_001', 12348, 1, 1000.01, '2023-02-15 11:40:56', '2023-02-15 18:42:56', 1),
  (100007, 'user_003', 12347, 4, 2000.02, '2023-02-15 10:40:56', '2023-02-15 18:42:56', 1);
  
  INSERT INTO orders_pay VALUES
  (2001, 100001, 1, '2023-02-15 17:40:56'),
  (2002, 100002, 1, '2023-02-15 17:40:56'),
  (2003, 100003, 0, '2023-02-15 17:40:56'),
  (2004, 100004, 0, '2023-02-15 17:40:56'),
  (2005, 100005, 0, '2023-02-15 18:40:56'),
  (2006, 100006, 0, '2023-02-15 18:40:56'),
  (2007, 100007, 0, '2023-02-15 18:40:56');

使用限制

• 仅实时计算引擎VVR 6.0.7及以上版本支持该实时数仓方案。

• 仅1.3及以上版本的Hologres支持该实时数仓方案。

构建实时数仓

创建Catalog

1. 创建Hologres Catalog。

   在实时计算控制台上，新建一个名为test的SQL作业，将如下代码拷贝到test作业的SQL编辑器上，修改目标参数取值后，选中代码片段后单击左侧代码行上的运行。

   CREATE CATALOG dw WITH (
     'type' = 'hologres',
     'endpoint' = '<ENDPOINT>', 
     'username' = '<USERNAME>',
     'password' = '${secret_values.ak_holo}',
     'dbname' = 'order_dw',
     'binlog' = 'true', -- 创建catalog时可以设置源表、维表和结果表支持的with参数，之后在使用此catalog下的表时会默认添加这些默认参数。
     'sdkMode' = 'jdbc', -- 推荐使用jdbc模式。
     'cdcmode' = 'true',
     'connectionpoolname' = 'the_conn_pool',
     'ignoredelete' = 'true',  -- 宽表merge需要开启，防止回撤。
     'partial-insert.enabled' = 'true', -- 宽表merge需要开启此参数，实现部分列更新。
     'mutateType' = 'insertOrUpdate', -- 宽表merge需要开启此参数，实现部分列更新。
     'table_property.binlog.level' = 'replica', --也可以在创建catalog时传入持久化的hologres表属性，之后创建表时，默认都开启binlog。
     'table_property.binlog.ttl' = '259200'
   );
   

   您需要修改以下参数取值为您实际Hologres服务信息。

   参数	说明	备注
   endpoint	Hologres的Endpoint地址。	详情请参见实例配置。
   username	阿里云账号的AccessKey ID。	当前配置的AccessKey对应的用户需要能够访问所有的Hologres数据库，Hologres数据库权限请参见Hologres权限模型概述。 为了避免您的AK信息泄露，本示例通过使用名为ak_holo密钥的方式填写AccessKey Secret取值，详情请参见密钥管理。
   password	阿里云账号的AccessKey Secret。

   说明

   创建Catalog时可以设置默认的源表、维表和结果表的WITH参数，也可以设置创建Hologres物理表的默认属性，例如上方table_property开头的参数。详情请参见管理Hologres Catalog和实时数仓Hologres WITH参数。

2. 创建MySQL Catalog。

   在实时计算控制台，将如下代码拷贝到test作业的SQL编辑器上，修改目标参数取值后，选中代码片段后单击左侧代码行上的运行。

   CREATE CATALOG mysqlcatalog WITH(
     'type' = 'mysql',
     'hostname' = '<hostname>',
     'port' = '<port>',
     'username' = '<username>',
     'password' = '${secret_values.mysql_pw}',
     'default-database' = 'order_dw'
   );

   您需要修改以下参数取值为您实际MySQL服务信息。

   参数	说明
   hostname	MySQL数据库的IP地址或者Hostname。
   port	MySQL数据库服务的端口号，默认值为3306。
   username	MySQL数据库服务的用户名。
   password	MySQL数据库服务的密码。 本示例通过使用名为mysql_pw密钥的方式填写密码取值，避免信息泄露，详情请参见密钥管理。

构建ODS层：业务数据库实时入仓

基于Catalog的CREATE DATABASE AS（CDAS）语句功能，可以一次性把ODS层建出来。ODS层一般不直接做OLAP或SERVING（KV点查），主要作为流式作业的事件驱动，开启binlog即可满足需求。

1. 创建CDAS同步作业ODS。

   1. 在实时计算控制台上，新建名为ODS的SQL流作业，并将如下代码拷贝到SQL编辑器。

      CREATE DATABASE IF NOT EXISTS dw.order_dw   -- 创建catalog时设置了table_property.binlog.level参数，因此通过CDAS创建的所有表都开启了binlog。
      AS DATABASE mysqlcatalog.order_dw INCLUDING all tables -- 可以根据需要选择上游数据库需要入仓的表。
      /*+ OPTIONS('server-id'='8001-8004') */ ;   -- 指定mysql-cdc源表。

      说明

      本示例默认将数据同步到数据库order_dw的Public Schema下。您也可以将数据同步到Hologres目标库的指定Schema中，详情请参见作为CDAS的目标端Catalog，指定后使用Catalog时的表名格式也会发生变化，详情请参见使用Hologres Catalog。

   2. 单击右上方的部署，进行作业部署。

   3. 单击左侧导航栏的作业运维，单击刚刚部署的ODS作业操作列的启动，选择无状态启动启动作业。

2. 查看MySQL同步到Hologres的3张表数据。

   在HoloWeb开发页面连接Hologres实例并登录目标数据库后，在SQL编辑器上执行如下命令。

   ---查orders中的数据。
   SELECT * FROM orders;
   
   ---查orders_pay中的数据。
   SELECT * FROM orders_pay;
   
   ---查product_catalog中的数据。
   SELECT * FROM product_catalog;

   

构建DWD层：实时主题宽表

1. 通过Flink Catalog功能在Hologres中建DWD层的宽表dwd_orders。

   在实时计算控制台上，将如下代码拷贝到test作业的SQL编辑器后，选中目标片段后单击左侧代码行上的运行。

   -- 宽表字段要nullable，因为不同的流写入到同一张结果表，每一列都可能出现null的情况。
   CREATE TABLE dw.order_dw.dwd_orders (
     order_id bigint not null,
     order_user_id string,
     order_shop_id bigint,
     order_product_id bigint,
     order_product_catalog_name string,
     order_fee numeric(20,2),
     order_create_time timestamp,
     order_update_time timestamp,
     order_state int,
     pay_id bigint,
     pay_platform int comment 'platform 0: phone, 1: pc', 
     pay_create_time timestamp,
     PRIMARY KEY(order_id) NOT ENFORCED
   );
   
   -- 支持通过catalog修改Hologres物理表属性。
   ALTER TABLE dw.order_dw.dwd_orders SET (
     'table_property.binlog.ttl' = '604800' --修改binlog的超时时间为一周。
   );

2. 实现实时消费ODS层orders、orders_pay表的binlog。

   在实时计算控制台上，新建名为DWD的SQL作业，并将如下代码拷贝到SQL编辑器后，部署并启动作业。通过如下SQL作业，orders表会与product_catalog表进行维表关联，将最终结果写入dwd_orders表中，实现数据的实时打宽。

   BEGIN STATEMENT SET;
   
   INSERT INTO dw.order_dw.dwd_orders 
    (
      order_id,
      order_user_id,
      order_shop_id,
      order_product_id,
      order_fee,
      order_create_time,
      order_update_time,
      order_state,
      order_product_catalog_name
    ) SELECT o.*, dim.catalog_name 
      FROM dw.order_dw.orders as o
      LEFT JOIN dw.order_dw.product_catalog FOR SYSTEM_TIME AS OF proctime() AS dim
      ON o.product_id = dim.product_id;
   
   INSERT INTO dw.order_dw.dwd_orders 
     (pay_id, order_id, pay_platform, pay_create_time)
      SELECT * FROM dw.order_dw.orders_pay;
   
   END;

3. 查看宽表dwd_orders数据。

   在HoloWeb开发页面连接Hologres实例并登录目标数据库后，在SQL编辑器上执行如下命令。

   SELECT * FROM dwd_orders;

   

构建DWS层：实时指标计算

1. 通过Flink Catalog功能，在Hologres中创建dws层的聚合dws_users以及dws_shops。

   在实时计算控制台上，将如下代码拷贝到test作业的SQL编辑器，选中目标片段后单击左侧代码行上的运行。

   -- 用户维度聚合指标表。
   CREATE TABLE dw.order_dw.dws_users (
     user_id string not null,
     ds string not null,
     paied_buy_fee_sum numeric(20,2) not null comment '当日完成支付的总金额',
     primary key(user_id,ds) NOT ENFORCED
   );
   
   -- 商户维度聚合指标表。
   CREATE TABLE dw.order_dw.dws_shops (
     shop_id bigint not null,
     ds string not null,
     paied_buy_fee_sum numeric(20,2) not null comment '当日完成支付总金额',
     primary key(shop_id,ds) NOT ENFORCED
   );

2. 实时消费DWD层的宽表dw.order_dw.dwd_orders，在Flink中做聚合计算，最终写入Hologres中的DWS表。

   在实时计算控制台上，新建名为DWS的SQL流作业，并将如下代码拷贝到SQL编辑器后，部署并启动作业。

   BEGIN STATEMENT SET;
   
   INSERT INTO dw.order_dw.dws_users
     SELECT 
       order_user_id,
       DATE_FORMAT (pay_create_time, 'yyyyMMdd') as ds,
       SUM (order_fee)
       FROM dw.order_dw.dwd_orders c
       WHERE pay_id IS NOT NULL AND order_fee IS NOT NULL -- 订单流和支付流数据都已写入宽表。
       GROUP BY order_user_id, DATE_FORMAT (pay_create_time, 'yyyyMMdd');
   
   INSERT INTO dw.order_dw.dws_shops
     SELECT 
       order_shop_id,
       DATE_FORMAT (pay_create_time, 'yyyyMMdd') as ds,
       SUM (order_fee)
      FROM dw.order_dw.dwd_orders c
      WHERE pay_id IS NOT NULL AND order_fee IS NOT NULL -- 订单流和支付流数据都已写入宽表。
      GROUP BY order_shop_id, DATE_FORMAT (pay_create_time, 'yyyyMMdd');
   END;

3. 查看DWS层的聚合结果，其结果会根据上游数据的变更实时更新。

   在HoloWeb开发页面连接Hologres实例并登录目标数据库后，在SQL编辑器上执行如下命令。

   • 查询dws_users表结果。

     SELECT * FROM dws_users;

     

   • 查询dws_shops表结果。

     SELECT * FROM dws_shops;

     

数据探查

如果对中间结果需要即系（Ad-hoc）性质的业务数据探查，或者对最终计算结果进行数据正确性排查，此方案的每一层数据都实现了持久化，可以便捷的探查中间过程。

• 流模式探查

  1. 新建并启动数据探查流作业。

     在实时计算控制台上，新建名为Data-exploration的SQL流作业，并将如下代码拷贝到SQL编辑器后，部署并启动作业。

     -- 流模式探查，打印到print可以看到数据的变化情况。
     CREATE TEMPORARY TABLE print_sink(
       order_id bigint not null,
       order_user_id string,
       order_shop_id bigint,
       order_product_id bigint,
       order_product_catalog_name string,
       order_fee numeric(20,2),
       order_create_time timestamp,
       order_update_time timestamp,
       order_state int,
       pay_id bigint,
       pay_platform int,
       pay_create_time timestamp,
       PRIMARY KEY(order_id) NOT ENFORCED
     ) WITH (
       'connector' = 'print'
     );
     
     INSERT INTO print_sink SELECT *
     FROM dw.order_dw.dwd_orders /*+ OPTIONS('startTime'='2023-02-15 12:00:00') */ --这里的startTime是binlog生成的时间
     WHERE order_user_id = 'user_001';

  2. 查看数据探查结果。

     在作业运维详情页面，单击目标作业名称，在作业探查页签下左侧运行日志页签，单击运行Task Managers页签下的Path, ID。在Stdout页面搜索user_001相关的日志信息。

     

• 批模式探查

  在实时计算控制台上，创建SQL流作业，并将如下代码拷贝到SQL编辑器后，单击调试。详情请参见作业调试。

  批模式探查是获取当前时刻的终态数据，在Flink作业开发界面调试结果如下图所示。

  SELECT *
  FROM dw.order_dw.dwd_orders /*+ OPTIONS('binlog'='false') */ 
  WHERE order_user_id = 'user_001' and order_create_time > '2023-02-15 12:00:00'; --批量模式支持filter下推，提升批作业执行效率。

  

使用实时数仓

上一小节展示了通过Flink Catalog，可以仅在Flink侧搭建一个基于Flink和Hologres的Streaming Warehouse实时分层数仓。本节则展示数仓搭建完成之后的一些简单应用场景。

Key-Value服务

根据主键查询DWS层的聚合指标表，支持百万级RPS。

在HoloWeb开发页面查询指定用户指定日期的消费额的代码示例如下。

-- holo sql
SELECT * FROM dws_users WHERE user_id ='user_001' AND ds = '20230215';

明细查询

对DWD层宽表进行OLAP分析。

在HoloWeb开发页面查询某个客户23年2月特定支付平台支付的订单明细的代码示例如下。

-- holo sql
SELECT * FROM dwd_orders
WHERE order_create_time >= '2023-02-01 00:00:00'  and order_create_time < '2023-03-01 00:00:00'
AND order_user_id = 'user_001'
AND pay_platform = 0
ORDER BY order_create_time LIMIT 100;

实时报表

基于DWD层宽表数据展示实时报表，支持秒级响应。

在HoloWeb开发页面查询23年2月内每个品类的订单总量和订单总金额的代码示例如下。

-- holo sql
SELECT
  TO_CHAR(order_create_time, 'YYYYMMDD') AS order_create_date,
  order_product_catalog_name,
  COUNT(*),
  SUM(order_fee)
FROM
  dwd_orders
WHERE
  order_create_time >= '2023-02-01 00:00:00'  and order_create_time < '2023-03-01 00:00:00'
GROUP BY
  order_create_date, order_product_catalog_name
ORDER BY
  order_create_date, order_product_catalog_name;