背景介绍

传统行业在本文中是指在国内有一定体量，较为基础的一些行业企业，此类企业有几个特征：

• 企业体量较大
• 业务变化不大
• 客户群体大
• 客户数量变化不大

此类行业近几年随着数据中台、人工智能、数字孪生等等概念的不断洗刷，也因为本身业务发展的实际需要，数据体量连年增长。

随着国内开源软件生态逐步成熟，面向传统行业的软件企业交付的数据架构，也以开源软件为主构建，逐步的发展变化。本文主要介绍在开源的背景下，传统行业数据架构近几年的发展变化，以及每一步的掣肘和突破，作者总结下来感觉有一定的代表性，希望分享出来能够提供一些思路。

数据架构的发展变化

作者所经历的数据架构分三个阶段：单一数据库集群、TP和AP分离、大数据的引入，现在正在经历HTAP+云原生这一阶段。

单一数据库集群

作者所经历的单一数据库集群阶段，大约是在18年开始的，现在也会在项目开始阶段较多的采用。架构图如下：

单一数据库并不是指就一个数据库实例，而且整个架构的主体采用了一个数据库产品，例如架构图中是以Mysql官方分发版本为主体，通过MHA方案，搭建的高可用Mysql集群，为了应对数据的增长，中间加了一个数据库访问代理，我们采用的是mycat，分库分表、读写分离都通过mycat做出来。

此架构模式下，数据量增长的一定规模之后，出现了一些问题：

• 跨分片访问性能不佳
• 汇总性能不佳、宽表支持较差
• 分析类需求支持不好，与实时业务争抢CPU和IO

这些原因搞过数据架构的都会很容易总结出来，归根结底，是过多的把AP的需求让Mysql来解决了。

TP和AP分离

基于项目越来越多的离线汇总需求和在线分析需求，整个项目引入了AP类型的数据库。由于开源的GreenPlum在国内的火热，企业内部多采用了GreenPlum数据库，有较多的技术积累。

参考：Greenplum中文官网

集成了GP的数据架构如下：

参考：bireme

我们从Mysql到Greenplum构建了两个通道，一个通道是通过kettle构建ETL任务批量抽取数据到Greenplum，一个通道是通过bireme+maxwell实时同步数据到Greenplum。从架构图上可以看到，kettle写入数据，实际上是与Greenplum的Segment（primary）节点打交道，效率比较高；bireme+maxwell是通过master写入Greenplum集群的，效率不高，特别是一些更新较频繁的表，大量占用IO。

kettle支撑了我们很久，bireme+maxwell由于IO问题没有彻底解决也就放弃了这条路线。20年Greenplum官方出了streaming-server组件，这个环节的问题得到了很好的解决，但那个时候我们换了方案，也就没在实际生产中使用。

参考：streaming-server

随着数据量的增长，我们面对几个棘手的问题，始终解决的不好，引起了客户大量的投诉：

• 随着业务发展和数据量增长，ETL过程越来越长，ETL的窗口越来越短，抽数与正常业务逐渐的交叠在一起
• 因为Greenplum当时的几个BUG，ETL之后的汇总任务不太稳定，汇总失败之后的重算，又占用白天的查询IO，AP业务基本不可用

基于以上原因，考虑从两个方面解决问题：

• 放弃ETL，改用binlog同步
• 引入专业离线计算工具

综合考虑当时的情况，决定引入Hadoop，采用HDP分发版本，结合HDF的一些思路，构建一个准实时的数据平台。

大数据的引入

引入Hadoop后，架构如下：

HDP、HDF已成为过去，不再提供连接供参考。

数据经过NIFI，采用binlog回放的方式，实时写入Hbase，定时启动Spark任务，进行汇总计算，计算结果输出到GreenPlum中。

整体数据架构的职责划分如下：

此架构的优势是：

• 采用binlog回放，不存在ETL过程，对业务库影响最小
• 采用Spark进行汇总计算，计算性能、稳定性都有大幅度的提升
• 汇总计算和在线分析物理隔离，重算、验算、模型计算等任务使用Hadoop集群，不影响在线分析业务的稳定性
• 对于需要实时的业务，采用Flink+Elasticsearch的方式满足。

但同时这一套架构也有其局限性：

• Mysql的ddl变更，扩缩容非常繁琐，需要寻找停机时间，也牵扯到大量人工操作
• 数据链路过长，实时业务需求存在开发门槛，不能提供实时AP业务支撑
• 部分业务计算完成后，需要回写Mysql，效率很差，调优空间很小
• 资源需求起点高，部署组件多，运维难度大，运维人员要求高

本身团队人员少，仅仅维护一个集群尚能保证可用性，产品复制推广后，运维和本地开发存在极大的困难。

HTAP+云原生

在Hadoop引入过程中也在不断尝试简化整个架构。先后研究过cockroachlabs、yugabyte、citusdb等多款分布式数据库。也阅读过很多TiDB的技术文章，参考：HTAP 会成为数据库的未来吗？。

经过对比，我们认为TiDB比较适合我们：

• 使用Mysql协议，兼容Mysql 5.7，迁移成本很小
• 所有的HTAP数据库中，对接Spark是最好的
• 中文资料详实、国内支持较好

OceanBase因开源时间较晚，开源时生态并不丰富，对多租户的模式需求不高等多种原因没有深入进行相关测试。

引入TiDB之后的架构：

其中：

• 整个架构以TiDB为核心，不再关注分片、无法执行ddl变更、离线扩缩容等等一系列问题
• 轻度的AP工作，不需要额外的ETL动作，扩展TiFlash副本就可以
• Spark上我们做了大量的离线计算的封装，TiSpark的回写效率不错，我们做了一些适配工作，降低了离线计算这一块的改造难度
• Spark、Api、Presto等我们都跑在了k8s上，极大的降低了计算资源的管理与运维难度
• 从架构上去掉了Flink，是因为Flink原来进行的计算在TiDB能够通过实时的查询解决

其中最关键的我认为是TiSpark，Spark在离线计算领域的效率、稳定性不可替代。

我们仍然在路上

HTAP+云原生我们仍然在改造过程中，或许有一些认知错误，但HTAP+云原生这条路给我们的开发、运维都极大地减轻了工作量，我们会不断走下去。

文章来源：TiDB 社区干货传送门_https://zhuanlan.zhihu.com/p/536517345