打造高效实时数仓，从Hive到OceanBase的经验分享

本文作者：Coolmoon1202，大数据高级工程师，专注于高性能软件架构设计

我们的业务主要围绕出行领域，鉴于初期采用的数据仓库方案面临高延迟、低效率等挑战，我们踏上了探索新数仓解决方案的征途。本文分享了我们在方案筛选与实施过程中的经验总结，期望能为您提供有价值的参考与启示。

旧方案：（Hive + Spark）的三个挑战

线上业务环境主要以数据统计与查询分析为主，数据来源主要有两部分：一部分是通过前端应用采集，采集到的实时流数据先存储在消息队列中，使用Spark Streaming任务每10分钟定期同步Kafka数据到Hive数据仓库。这部分数据规模较大，最大的表数据量在百亿级。

另一部分是通过政务数据共享交换平台获取，汇聚后存储在前置库RDS中，通过Spark任务定期全量同步到Hive数据仓库。这部分数据规模较小，最大的表数据量在千万级。当各种源端数据汇总在 Hive 环境之后，使用 Spark 读取数据并在大数据集群进行分析计算。

使用这样的业务方案（Spark + Hive方案）存在三个挑战。

1.实时业务的挑战：数据定时导入Hive数据仓库，无法做到实时更新，数据时延10分钟以上;

2.复杂度的挑战：数据定期从RDS全量导入Hive时，导入速度较慢，导入一次千万的表需要3分钟上；

3.成本效率的挑战：使用Spark读取Hive进行数据分析统计时，一次上亿数据的统计需要3分钟以上；使用Spark进行数据定期导入与分析统计，消耗大数据集群CPU，内存资源较高，同一时间任务太多时需要排队执行。

为解决上述挑战，我们尝试用轻量级的实时数仓解决方案。由于此前对国产原生分布式数据库 OceanBase 有所耳闻，该数据库具备HTAP特性且满足实时数仓所要求的海量数据实时写入、实时更新、实时分析的特性。当我们得知其在2021年6月已经正式开源，就决定对 OceanBase 社区版3.1.1版本进行性能测试，测试详情见《OceanBase 社区版V3.1.1压力测试情况》（仅供参考）。

测试的结论是：在当前测试环境下，按照TPC-C标准进行测试，最高可达355,739 TpmC，最快可以在24.05秒完成整个TPC-H的测试SQL执行，说明OceanBase开源版V3.1.1在OLTP与OLAP场景下都有不俗的表现，并可通过横向扩展满足大部分海量数据高并发业务场景的性能需求。

除 OceanBase 数据看库外，我们也对TiDB、PloarDB-X进行了性能测试与综合评估，OceanBase 社区版在TPC-H性能测试下和内部真实业务压力下的表现最佳。经过内部评估，OceanBase 满足目前业务需求且 OceanBase 开源社区提供了良好的技术服务与支持，最终决定尝试使用 OceanBase 社区版作为实时数仓业务的解决方案。

新方案：（OceanBase+Flink）的部署与成效

经过一段时间的方案选型与测试评估后，我们最终决定使用 OceanBase 社区版3.1.3版本替换原来的Hive数据仓库，OceanBase 集群架构选择3-3-3。

• 硬件配置：ECS 9 台，32核128G内存，每台ECS挂载两块硬盘，一块500G SSD硬盘，用于保存数据库redo日志，另一块4T SSD硬盘，用于保存数据库数据。
• 资源分配：OBServer的memory_limit为102G，system_memory为30G，OBProxy内存为4G。OceanBase 集群部署成功后，修改sys租户资源为4核4G，新建业务租户分配资源26核64G，primary_zone设置为RANDOM，让业务租户表分区的Leader随机分配到这9台ECS中。

最初计划使用OCP部署 OceanBase 集群，但由于安装OCP需要依赖 OceanBase数据库，所以最终决定使用OBD进行部署，不过后期可以通过 OCP 来接管 OBD 部署的集群，这个过程也很方便。下图为 OceanBase 集群部署拓扑图。

使用新方案（OceanBase+Flink方案）后，成效显著，主要表现为以下三个方面。

第一，端到端数据链路时延从分钟级缩短到 3秒内。数据同步从Hive+Spark模式迁移到 OceanBase+Flink模式后，数据查询与分析业务也从Hive+Spark模式迁移到 OceanBase SQL模式。业务迁移后，数据从前端应用产生到从OceanBase查询出来，端到端链路时延降低到3秒以内，而之前由于数据是从Kafka定期同步到Hive，再用Spark从Hive查询出来，至少需要10分钟的时间。

第二，硬件成本收益明显。RDS数据同步由Spark定期全量同步到Hive改成了使用Flink CDC实时增量同步到 OceanBase 后，增量模式的流任务对资源占用由抖动变得平滑，通过Flink session模式，减少了增量数据同步流任务资源空占，从而大幅度降低了大数据集群的资源占用，所需大数据集群资源从140核280G降低到23核46G，硬件成本下降84%。

第三，SQL 查询时间从分钟级到秒级。将Spark+Hive查询统计任务改成OceanBase 的SQL语句后，开启SQL分布式执行的并行Hint，6000万左右的数据查询统计（select /*+ parallel(36) */ count(1) from health_query_log where datetime >='2022-05-01 00:00:00' and datetime<='2022-06-01 00:00:00'; ）在15秒内完成，而之前需要3分钟，因此统计SQL执行时间从3分钟降低至 15秒。

选择 OceanBase 的实践总结

在我们将OceanBase社区版作为实时数仓的使用过程中，总结了OceanBase社区版在该业务下的一些使用实践，供大家参考。

1. 表的创建删除索引速度较快，这样可以根据业务需求按需进行索引创建，从而大幅提高数据检索效率。

2.支持丰富的窗口函数，可以满足较为复杂的查询与统计需求。

3.支持JSON数据类型，可以直接从JSON数据中提取所需数据并创建虚拟列，从而当上游数据结构发生变化后也不需要重跑历史数据，非常好用。

4.在多表 join 情况下，尤其是使用 TableGroup功能后查询速度更快，强烈推荐。

5.OceanBase 社区版兼容 MySQL 5.7 的绝大部分功能和语法，极大地降低了开发人员的学习成本，在RDS数据同步过程中基本上没有遇到兼容性问题，迁移过程顺利。

此外，在实际使用中发现一些当前 OceanBase 社区版不支持或有计划支持的功能，目前已提交社区进行下一步迭代：

1. 暂不支持全文索引，当遇到需要对中文字符串进行模糊查询时，需要对全表进行扫描。比如，需要用家庭住址的部分信息进行模糊查询时，可使用 MySQL 的 FullText索引，然而迁移到 OceanBase 后，则无法利用全文索引来提高查询性能，当前使用 like 模糊匹配临时绕过。经过和社区官方技术团队沟通，OceanBase 计划在后续版本中进行支持。

2. 暂不支持物化视图，对于一些大表（亿级别以上）无法进行数据实时增量统计。比如对大表进行 count + group by操作时，因每次都要进行全量数据的计算，不能利用物化视图的预计算特性来降低每次查询时的数据计算量，导致部分场景计算速度达不到预期的效果。因此，当对海量数据统计实时性要求很高时，不得不寻求其他解决方案。

3. 可能导致该语句执行时，OceanBase 节点内存OOM而引起节点宕机的风险，可以通过改写子查询select count(*) from (select distinct ...)来规避此问题。

最后，感谢 OceanBase 社区技术人员对本次项目的技术支持。在我们进行OceanBase 社区版的部署、测试、迁移、使用及运维的各个阶段中，对我们提出有关 OceanBase 的各方面问题都进行了耐心与及时的解答，针对系统执行较慢的SQL统计语句也给出了优化建议，从而保证了业务实时数仓改造的顺利进行。预祝 OceanBase 社区发展越来越红火。