雲原生大資料架構中實時計算維表和結果表的選型實踐

一  前言

傳統的大資料技術起源於 Google 三架馬車 GFS、MapReduce、Bigtable，以及其衍生的開源分散式檔案系統 HDFS，分散式計算引擎 MapReduce，以及分散式資料庫 HBase。最初的大資料技術與需求往往集中在超大規模資料儲存、資料處理、線上查詢等。在這個階段，很多公司會選擇自建機房部署 Hadoop 的方式，大資料技術與需求集中在離線計算與大規模儲存上，常見的體現方式有 T+1 報表，大規模資料線上查詢等。

隨著網際網路技術的日漸發展、資料規模的擴大與複雜的需求場景的產生，傳統的大資料架構無法承載。大資料架構在近些年的演進主要體現下以下幾方面：

1. 規模化：這裡的規模化主要體現在大資料技術的使用規模上和資料規模的增長。大資料技術的使用規模增長代表越來越多的複雜需求產生，而資料規模的增長決定了傳統的準大資料技術（如 MySQL）無法解決所有問題。因此，拿儲存元件舉例來說，通常會劃分到不同的資料分層，面向規模、成本、查詢和分析效能等不同維度的優化偏向，以滿足多樣性的需求。

2. 實時化：傳統的 T+1 的離線大資料技術無法滿足推薦、監控類近實時的需求，整個大資料生態和技術架構在過去十年發生了很大的升級換代。就儲存上來說，傳統的 HDFS 檔案儲存、Hive 數倉無法滿足低成本，可更新迭代的需求，因此滋生出 Hudi 等資料方案。就計算上來說，傳統的 MapReduce 批處理的能力無法做到秒級的資料處理，先後出現 Storm 較原始的實時處理和 Spark Streaming 的微批處理，目前由 Flink 基於 Dataflow 模型的實時計算框架在實時計算領域佔據絕對主導地位。

3. 雲原生化：傳統的公司往往會選擇自建機房，或者在雲上購買機器部署例項這種雲託管的形式，但這種架構存在低谷期利用率低，儲存計算不分離導致的儲存和計算彈性差，以及升級靈活度低等各種問題。雲原生大資料架構就是所謂的資料湖，其本質就是充分利用雲上的彈性資源來實現一個統一管理、統一儲存、彈性計算的大資料架構，變革了傳統大資料架構基於物理叢集和本地磁碟的計算儲存架構。其主要技術特徵是儲存和計算分離和 Serverless。在雲原生大資料架構中，每一層架構都在往服務化的趨勢演進，儲存服務化、計算服務化、元資料管理服務化等。每個元件都被要求拆分成不同的單元，具備獨立擴充套件的能力，更開放、更靈活、更彈性。

本篇文章將基於雲原生大資料架構的場景，詳細討論實時計算中的維表和結果表的架構選型。

二  大資料架構中的實時計算

1  實時計算場景

大資料的高速發展已經超過 10 年，大資料也正在從計算規模化向更加實時化的趨勢演進。實時計算場景主要有以下幾種最常見的場景：

1. 實時數倉：實時數倉主要應用在網站 PV / UV 統計、交易資料統計、商品銷量統計等各類交易型資料場景中。在這種場景下，實時計算任務通過訂閱業務實時資料來源，將資訊實時秒級分析，最終呈現在業務大屏中給決策者使用，方便判斷企業運營狀況和活動促銷的情況。

2. 實時推薦：實時推薦主要是基於 AI 技術，根據使用者喜好進行個性化推薦。常見於短影片場景、內容資訊場景、電商購物等場景。在這種場景下，通過使用者的歷史點選情況實時判斷使用者喜好，從而進行鍼對性推薦，以達到增加使用者粘性的效果。

3. 資料 ETL：實時的 ETL 場景常見於資料同步任務中。比如資料庫中不同表的同步、轉化，或者是不同資料庫的同步，或者是進行資料聚合預處理等操作，最終將結果寫入資料倉庫或者資料湖進行歸檔沉澱。這種場景主要是為後續的業務深度分析進行前期準備工作。

4. 實時診斷：這種常見於金融類或者是交易類業務場景。在這些場景中，針對行業的獨特性，需要有反作弊監管，根據實時短時間之內的行為，判定使用者是否為作弊使用者，做到及時止損。該場景對時效性要求極高，通過實時計算任務對異常資料檢測，實時發現異常並進行及時止損。

2  Flink SQL 實時計算

實時計算需要後臺有一套極其強大的大資料計算能力，Apache Flink 作為一款開源大資料實時計算技術應運而生。由於傳統的 Hadoop、Spark 等計算引擎，本質上是批計算引擎，通過對有限的資料集進行資料處理，其處理時效性是不能保證的。而 Apache Flink ，從設計之初就以定位為流式計算引擎，它可以實時訂閱實時產生的流式資料，對資料進行實時分析處理併產生結果，讓資料在第一時間發揮價值。

Flink 選擇了 SQL 這種宣告式語言作為頂層 API，方便使用者使用，也符合雲原生大資料架構的趨勢：

1. 大資料普惠，規模生產：Flink SQL 能夠根據查詢語句自動優化，生成最優的物理執行計劃，遮蔽大資料計算中的複雜性，大幅降低使用者使用門檻，以達到大資料普惠的效果。

2. 流批一體：Flink SQL 具備流批統一的特性，無論是流任務還是批處理任務都給使用者提供相同的語義和統一的開發體驗，方便業務離線任務轉實時。

3. 遮蔽底層儲存差異：Flink 通過提供 SQL 統一查詢語言，遮蔽底層資料儲存的差異，方便業務在多樣性的大資料儲存中進行靈活切換，對雲上大資料架構進行更開放、靈活的調整。

上圖是 Flink SQL 的一些基本操作。可以看到 SQL 的語法和標準 SQL 非常類似，示例中包括了基本的 SELECT、FILTER 操作，可以使用內建函式（如日期的格式化），也可以在註冊函式後使用自定義函式。

Flink SQL 將實時計算拆分成源表，結果表和維表三種，將這三種表的 DDL 語句（比如 CREATE TABLE）註冊各類輸入、輸出的資料來源，通過 SQL 的 DML（比如 INSERT INTO）表示實時計算任務的拓撲關係，以達到通過 SQL 完成實時計算任務開發的效果。

1. 源表：主要代表訊息系統類的輸入，比如 Kafka，MQ（Message Queue），或者 CDC（Change Data Capture，例如將 MySQL binlog 轉換成實時流）輸入。

2. 結果表：主要代表 Flink 將每條實時處理完的資料寫入的目標儲存，如 MySQL，HBase 等資料庫。

3. 維表：主要代表儲存資料維度資訊的資料來源。在實時計算中，因為資料採集端採集到的資料往往比較有限，在做資料分析之前，就要先將所需的維度資訊補全，而維表就是代表儲存資料維度資訊的資料來源。常見的使用者維表有 MySQL，Redis 等。

下圖是一個完整的實時計算示例，示例中的 Flink SQL 任務，這個任務的目標是計算每分鐘不同商品分類的 GMV (Gross Merchandise Volume，即商品交易總額)。在這個任務中，Flink 實時消費使用者訂單資料的 Kafka 源表，通過 Redis 維表將商品 id 關聯起來獲取到商品分類，按照 1 分鐘間隔的滾動視窗按商品分類將總計的交易金額計算出來，將最後的結果寫入 RDS（Relational Database Service，如 MySQL） 結果表中。

# 源表 - 使用者訂單資料，代表某個使用者（user_id）在 timestamp 時按 price 的價格購買了商品（item_id）
CREATE TEMPORARY TABLE user_action_source (
  `timestamp` BIGINT,
  `user_id` BIGINT,
  `item_id` BIGINT,
  `price` DOUBLE,SQs
) WITH (
  'connector' = 'kafka',
  'topic' = '<your_topic>',
  'properties.bootstrap.servers' = 'your_kafka_server:9092',
  'properties.group.id' = '<your_consumer_group>'
  'format' = 'json',
  'scan.startup.mode' = 'latest-offset'
);


# 維表 - 物品詳情
CREATE TEMPORARY TABLE item_detail_dim (
  id STRING,
  catagory STRING,
  PRIMARY KEY (id) NOT ENFORCED
) WITH (
  'connector' = 'redis',
  'host' = '<your_redis_host>',
  'port' = '<your_redis_port>',
  'password' = '<your_redis_password>',
  'dbNum' = '<your_db_num>'
);


# 結果表 - 按時間（分鐘）和分類的 GMV 輸出
CREATE TEMPORARY TABLE gmv_output (
   time_minute STRING,
   catagory STRING,
   gmv DOUBLE,
   PRIMARY KEY (time_minute, catagory)
) WITH (
   type='rds',
   url='<your_jdbc_mysql_url_with_database>',
   tableName='<your_table>',
   userName='<your_mysql_database_username>',
   password='<your_mysql_database_password>'
);


# 處理過程
INSERT INTO gmv_output 
SELECT 
  TUMBLE_START(s.timestamp, INTERVAL '1' MINUTES) as time_minute,
  d.catagory,
  SUM(d.price) as gmv
FROM
  user_action_source s
  JOIN item_detail_dim FOR SYSTEM_TIME AS OF PROCTIME() as d
    ON s.item_id = d.id
GROUP BY TUMBLE(s.timestamp, INTERVAL '1' MINUTES), d.catagory;

這是一個很常見的實時計算的處理鏈路。後續章節中，我們將針對實時計算的維表和結果表的關鍵能力進行展開分析，並分別進行架構選型的討論。

三  實時計算維表

1  關鍵需求

在資料倉庫的建設中，一般都會圍繞著星型模型和雪花模型來設計表關係或者結構。實時計算也不例外，一種常見的需求就是為資料流補齊欄位。因為資料採集端採集到的資料往往比較有限，在做資料分析之前，就要先將所需的維度資訊補全。比如採集到的交易日誌中只記錄了商品 id，但是在做業務時需要根據店鋪維度或者行業緯度進行聚合，這就需要先將交易日誌與商品維表進行關聯，補全所需的維度資訊。這裡所說的維表與資料倉庫中的概念類似，是維度屬性的集合，比如商品維度、使用者度、地點維度等等。

作為儲存使用者維度資訊的資料儲存，需要應對實時計算場景下的海量低延時訪問。根據這樣的定位，我們總結下對結構化大資料儲存的幾個關鍵需求：

1. 高吞吐與低延時的讀取能力

首當其衝，在不考慮開源引擎 Flink 自身維表的優化外，維表必須能承擔實時計算場景下的海量（上萬 QPS）的資料訪問，也能在極低（毫秒級別）的延時下返回查詢資料。

2. 與計算引擎的高整合能力

在維表自身的能力之外，出於效能、穩定性和成本的考慮，計算引擎自身往往也會有些流量解除安裝的能力，在一些情況下無需每次請求都需要去訪問下游維表。例如，Flink 在維表場景下支援 Async IO 和快取策略等優化特性。 一個比較好的維表需要和開源計算引擎有著較高程度的對接，一方面可以提升計算層的效能，一方面也可以有效的解除安裝部分流量，保障維表不被過多訪問擊穿，並降低維表的計算成本。

3. 輕儲存下的計算能力的彈性

維表通常是一張共享表，儲存維度屬性等元資料資訊，訪問規模往往較大，而儲存規模往往不會特別大。對維表的訪問規模極大地依賴實時資料流的資料量。比如，如果實時流的資料規模擴大了數十倍，此時對維表的訪問次數會大大提升；又比如，如果新增了多個實時計算任務訪問該維表，該維表的查詢壓力會激增。在這些場景下，儲存規模往往不會顯著增加。

所以，計算最好是按需的，是彈性的。無論是新增或者下線實時計算任務，或者增加訪問流量，都不會影響訪問效能。同時，計算和儲存是應該分離的，不會單純因為訪問計算量的激增就增加儲存成本。

2  架構選型

MySQL

大資料和實時計算技術起步之初，網際網路早期大量流行 LAMP （Linux + Apache + MySQL + PHP）架構快速開發站點。因此，由於業務歷史資料已經存在 MySQL 中，在最初的實時計算維表選型中大量使用 MySQL 作為維表。

隨著大資料架構的更新，MySQL 雲上架構也在不斷改進，但在維表的應用場景下仍然存在以下問題：

1. 儲存側擴充套件靈活性差，擴充套件成本較高：MySQL 在儲存側的擴充套件需要進行資料複製遷移，擴充套件週期長且靈活性差。同時 MySQL 的分庫分表每次擴充套件需要雙倍資源，擴充套件成本較高。

2. 儲存成本高：關係資料庫是結構化資料儲存單位成本最高的儲存系統，所以對於大資料場景來說，關係型資料庫儲存成本較高。

以上這些限制使 MySQL 在大資料維表場景下存在效能瓶頸，成本也比較高。但總體來說，MySQL 是非常優秀的資料庫產品，在資料規模不怎麼大的場景下，MySQL 絕對是個不錯的選擇。

Redis

在雲上應用架構中，由於 MySQL 難以承載不斷增加的業務負載，往往會使用 Redis 作為 MySQL 的查詢結果集快取，幫助 MySQL 來抵禦大部分的查詢流量。

在這種架構中，MySQL 作為主儲存伺服器，Redis 作為輔助儲存，MySQL 到 Redis 的同步可以通過 binlog 實時同步或者 MySQL UDF + 觸發器的方式實現。在這種架構中，Redis 可以用來快取提高查詢效能，同時降低 MySQL 被擊穿的風險。

由於在 Redis 中快取了一份弱一致性的使用者資料，Redis 也常常用來作為實時計算的維表。相比於 MySQL 作為維表，Redis 有著獨特的優勢：

1. 查詢效能極高：資料快取記憶體在記憶體中，可以通過高速 Key-Value 形式進行結果資料查詢，非常符合維表高效能查詢的需求。

2. 儲存層擴充套件靈活性高：Redis 可以非常方便的擴充套件分片叢集，進行橫向擴充套件，支援資料多副本的持久化。

Redis 有其突出的優點，但也有一個不可忽視的缺陷：雖然 Redis 有著不錯的擴充套件方案，但由於快取記憶體的資料存在記憶體中，成本較高，如果遇到業務資料的維度屬性較大（比如使用者維度、商品維度）時，使用 Redis 作為維表儲存時成本極高。

Tablestore

Tablestore是阿里雲自研的結構化大資料儲存產品，具體產品介紹可以參考 官網 以及 權威指南 。在大資料維表的場景下，Tablestore 有著獨特的優勢：

1. 高吞吐訪問：Tablestore 採用了儲存計算分離架構，可以彈性擴充套件計算資源，支援高吞吐下的資料查詢。

2. 低延時查詢：Tablestore 按照 LSM 儲存引擎實現，支援 Block Cache 加速查詢，使用者也通過配置豐富的索引，優化業務查詢。

3. 低成本儲存和彈性計算成本：在儲存成本上，Tablestore 屬於結構化 NoSQL 儲存型別，資料儲存成本比起關係型資料庫或者快取記憶體要低很多；在計算成本上，Tablestore 採用了儲存計算架構，可以按需彈性擴充套件計算資源。

4. 與 Flink 維表優化的高度對接：Tablestore 支援 Flink 維表優化的所有策略，包括 Async IO 和不同快取策略。

方案對比

上面是前文提到的幾個維表方案在各個維度的對比。接下來，將舉幾個具體的場景細緻對比下成本：

1. 高儲存高計算：維表需要存 100 億條訂單維度的資料，總計儲存量需要 1T，儘管業務在 Flink 任務端配置了快取策略，但仍然有較高的 KV 查詢下沉到維表，到維表的 QPS 峰值  10 萬，均值 2.5 萬。不同維表所需的配置要求和購買成本如下：

2. 低儲存低計算：維表需要存 100 萬條地域維度的資料，總計儲存量需要 10M，業務端在 Flink 任務中的維表配置了 LRU 快取策略抵禦了絕大部分的流量，到維表的 QPS 峰值 1000 均值 250。不同維表所需的配置要求和購買成本如下：

3. 高儲存低計算：維表需要存 100 億條訂單維度的資料，總計儲存量需要 1T，業務端在 Flink 任務中的維表配置了 LRU 快取策略抵禦了絕大部分的流量，到維表的 QPS 峰值 1000 均值 250。不同維表所需的配置要求和購買成本如下：

4. 低儲存高計算：Redis 作為記憶體資料庫，具有超高頻的資料 KV 查詢能力，僅 4 核 8G 記憶體的 Redis叢集，即可支援 16 萬 QPS的併發訪問，成本預計 1600 元 / 月，在低儲存高計算場景有著鮮明的成本優勢。

從上面的成本對比報告中可見：

1）MySQL 由於缺乏儲存和計算的彈性，以及關係型資料庫固有的缺點，在不同程度的儲存和計算規模下成本均較高。

2）Redis 作為記憶體資料庫，在低儲存（約 128G 以下）高計算場景有著鮮明的成本優勢，但由於記憶體儲存成本很高、缺乏彈性，隨著資料規模的提升，成本呈指數增長。

3）Tablestore 基於雲原生架構可以按量對儲存和計算進行彈性，在資料儲存和訪問規模不大時成本較低。

4）Tablestore 作為 NoSQL 資料庫儲存成本很低，在高儲存（128G 以上）場景下有著鮮明的成本優勢。

四  實時計算結果表

1  需求分析

結果表作為實時計算完成後資料匯入的儲存系統，主要可分為關係資料庫、搜尋引擎、結構化大資料離線儲存、結構化大資料線上儲存幾種分類，具體差異通過以下表格進行了歸納。

對於這幾種資料產品，在各自場景下各有優勢，起源的先後也各有不同。為了方便探究，我們將問題域縮小，僅僅考慮實時計算的場景下，一個更好的結果表儲存需要承擔什麼樣的角色。

上文提到了實時計算的主要幾個場景中，實時數倉，實時推薦，實時監控三個場景需要考慮結果表的選型。我們一一分析。

1. 實時數倉：實時數倉主要應用在網站實時 PV / UV 統計、交易資料統計等實時分析場景。實時分析（即OLAP）場景分為預聚合、搜尋引擎和 MPP（Massively Parallel Processing，即大規模並行處理）三種 OLAP 模型。對於預聚合模型來說，可以通過 Flink 計算層進行資料聚合寫入結果表，也可以全量寫入結果表中，通過結果表自身的預聚合能力進行資料儲存，在這種形態中極大地依賴結果表資料查詢與分析能力的支撐。對於搜尋引擎模型來說，資料將全量寫入結果表中，通過搜尋引擎的倒排索引和列存特性進行資料分析，在這種形態中需要結果表有高吞吐的資料寫入能力和大規模資料儲存能力。MPP 模型是計算引擎，如果訪問的是列式儲存，可以更好地發揮分析查詢特性。實時 OLAP 儲存和計算引擎眾多，在一個完整的資料系統架構下，需要有多個儲存元件並存。並且根據對查詢和分析能力的不同要求，需要資料派生派生能力在必要時擴充套件到其他型別儲存。另外，實時數倉中隨著業務規模的擴大，儲存量會大幅增長，相較來說資料查詢等計算規模變化一般不會特別明顯，所以結果表需要做到儲存和計算成本分離，極大地控制資源成本。

2. 實時推薦：實時推薦主要是根據使用者喜好進行個性化推薦，在常見的使用者商品個性化推薦場景下，一種常見的做法是將使用者的特徵寫入結構化大資料儲存（如 HBase ）中，而該儲存將作為維表另一條使用者點選消費行為資料進行關聯，提取出使用者特徵與行為關聯輸入，作為推薦演算法的輸入。這裡的儲存既需要作為結果表提供高吞吐的資料寫入能力，也需要作為維表提供高吞吐低延時的資料線上查詢能力。

3. 實時監控：應用的實時監控常見於金融類或者是交易類業務場景，該場景對時效性要求極高，通過對異常資料檢測，可以實時發現異常情況而做出一個止損的行為。在這種場景下無論是通過閾值進行判斷還是通過異常檢測演算法，都需要實時低延時的資料聚合查詢能力。

2  關鍵能力

通過以上的需求分析，我們可以總結出幾項實時大資料結果表的關鍵能力：

1. 大規模資料儲存

結果表儲存的定位是集中式的大規模儲存，作為線上資料庫的彙總，或者是實時計算（或者是離線）的輸入和輸出，必須要能支撐 PB 級規模資料儲存。

2. 豐富的資料查詢與聚合分析能力

結果表需要擁有豐富的資料查詢與聚合分析能力，需要為支撐高效線上查詢做優化。常見的查詢優化包括快取記憶體、高併發低延遲的隨機查詢、複雜的任意欄位條件組合查詢以及資料檢索。這些查詢優化的技術手段就是快取和索引，其中索引的支援是多元化的，面向不同的查詢場景提供不同型別的索引。例如面向固定組合查詢的基於 B+tree 的二級索引，面向地理位置查詢的基於 R-tree 或 BKD-tree 的空間索引或者是面向多條件組合查詢和全文檢索的倒排索引。

3. 高吞吐寫入能力

實時計算的資料表需要能承受大資料計算引擎的海量結果資料集匯出。所以必須能支撐高吞吐的資料寫入，通常會採用一個為寫入而優化的儲存引擎。

4. 資料派生能力

一個完整的資料系統架構下，需要有多個儲存元件並存。並且根據對查詢和分析能力的不同要求，需要在資料派生體系下對儲存進行動態擴充套件。所以對於大資料儲存來說，也需要有能擴充套件儲存的派生能力，來擴充套件資料處理能力。而判斷一個儲存元件是否具備更好的資料派生能力，就看是否具備成熟的 CDC 技術。

5. 雲原生架構：儲存與計算成本分離

在雲原生大資料架構中，每一層架構都在往服務化的趨勢演進，儲存服務化、計算服務化、元資料管理服務化等。每個元件都被要求拆分成不同的單元，作為結果表也不例外，需要具備獨立擴充套件的能力，更開放、更靈活、更彈性。

單就從結果表來說，只有符合雲原生架構的元件，即基於儲存計算分離架構實現的產品，才能做到儲存和計算成本的分離，以及獨立擴充套件。儲存和計算分離的優勢，在大資料系統下會更加明顯。舉一個簡單的例子，結構化大資料儲存的儲存量會隨著資料的積累越來越大，但是資料寫入量是相對平穩的。所以儲存需要不斷的擴大，但是為了支撐資料寫入或臨時的資料分析而所需的計算資源，則相對來說比較固定，是按需的。

3  架構選型

MySQL

和維表一樣，大資料和實時計算技術起步之初，MySQL 是一個萬能儲存，幾乎所有需求都可以通過 MySQL 來完成，因此應用規模非常廣，結果表也不例外。隨著資料規模的不斷擴充套件和需求場景的日漸複雜，MySQL 有點難以承載，就結果表的場景下主要存在以下問題：

1. 大資料儲存成本高：這個在之前討論維表時已經提到，關係資料庫單位儲存成本非常高。

2. 單一儲存系統，提供的查詢能力有限：隨著資料規模的擴大，MySQL 讀寫效能的不足問題逐漸顯現了出來。另外，隨著分析類 AP 需求的產生，更適合 TP 場景的 MySQL 查詢能力比較有限。

3. 高吞吐資料寫入能力較差：作為 TP 類的關係型資料庫，並不是特別擅長高吞吐的資料寫入。

4. 擴充套件性差，擴充套件成本較高：這個在之前討論維表時已經提到，MySQL 在儲存側的擴充套件需要進行資料複製遷移，且需要雙倍資源，因此擴充套件靈活性差，成本也比較高。

以上這些限制使 MySQL 在大資料結果表場景下存在效能瓶頸，成本也比較高，但作為關係型資料庫，不是特別適合作為大資料的結果表使用。

HBase

由於關係型資料庫的天然瓶頸，基於 BigTable 概念的分散式 NoSQL 結構化資料庫應運而生。目前開源界比較知名的結構化大資料儲存是 Cassandra 和 HBase，Cassandra 是 WideColumn 模型 NoSQL 類別下排名 Top-1 的產品，在國外應用比較廣泛。這篇文章中，我們重點提下在國內應用更多的 HBase。      HBase 是基於 HDFS 的儲存計算分離架構的 WideColumn 模型資料庫，擁有非常好的擴充套件性，能支撐大規模資料儲存，它的優點為：

1. 大資料規模儲存，支援高吞吐寫入：基於 LSM 實現的儲存引擎，支援大規模資料儲存，併為寫入優化設計，能提供高吞吐的資料寫入。

2. 儲存計算分離架構：底層基於 HDFS，分離的架構可以按需對存儲存和計算分別進行彈性擴充套件。

3. 開發者生態成熟，與其他開源生態整合較好：作為發展多年的開源產品，在國內也有比較多的應用，開發者社群很成熟，與其他開源生態如 Hadoop，Spark 整合較好。

HBase有其突出的優點，但也有幾大不可忽視的缺陷：

1. 查詢能力弱，幾乎不支援資料分析：提供高效的單行隨機查詢以及範圍掃描，複雜的組合條件查詢必須使用 Scan + Filter 的方式，稍不注意就是全表掃描，效率極低。HBase 的 Phoenix 提供了二級索引來優化查詢，但和 MySQL 的二級索引一樣，只有符合最左匹配的查詢條件才能做索引優化，可被優化的查詢條件非常有限。

2. 資料派生能力弱：前面章節提到 CDC 技術是支撐資料派生體系的核心技術，HBase 不具備 CDC 技術。

3. 非雲原生 Serverless 服務模式，成本高：前面提到結構化大資料儲存的關鍵需求之一是儲存與計算的成本分離，HBase 的成本取決於計算所需 CPU 核數成本以及磁碟的儲存成本，基於固定配比物理資源的部署模式下 CPU 和儲存永遠會有一個無法降低的最小比例關係。即隨著儲存空間的增大，CPU 核數成本也會相應變大，而不是按實際所需計算資源來計算成本。因此，只有雲原生的 Serverless 服務模式，才要達到完全的儲存與計算成本分離。

4. 運維複雜：HBase 是標準的 Hadoop 元件，最核心依賴是 Zookeeper 和 HDFS，沒有專業的運維團隊幾乎無法運維。

國內的高階玩家大多會基於 HBase 做二次開發，基本都是在做各種方案來彌補 HBase 查詢能力弱的問題，根據自身業務查詢特色研發自己的索引方案，例如自研二級索引方案、對接 Solr 做全文索引或者是針對區分度小的資料集的 bitmap 索引方案等等。總的來說，HBase 是一個優秀的開源產品，有很多優秀的設計思路值得借鑑。

HBase + Elasticsearch

為了解決 HBase 查詢能力弱的問題，國內很多公司通過 Elasticsearch 來加速資料檢索，按照 HBase + Elasticsearch 的方案實現他們的架構。其中，HBase 用於做大資料儲存和歷史冷資料查詢，Elasticsearch 用於資料檢索，其中，由於 HBase 不具備 CDC 技術，所以需要業務方應用層雙寫 HBase 和 Elasticsearch，或者啟動資料同步任務將 HBase 同步至 Elasticsearch。

這個方案能通過 Elasticsearch 極大地補足 HBase 查詢能力弱的問題，但由於 HBase 和 Elasticsearch 本身的一些能力不足，會存在以下幾個問題：

1. 開發成本高，運維更加複雜：客戶要維護至少兩套叢集，以及需要完成 HBase 到 Elasticsearch 的資料同步。如果要保證 HBase 和 Elasticsearch 的一致性，需要通過前文提到的應用層多寫的方式，這不是解耦的架構擴充套件起來比較複雜。另外整體架構比較複雜，涉及的模組和技術較多，運維成本也很高。

2. 成本很高：客戶需要購買兩套叢集，以及維護 HBase 和 Elasticsearch 的資料同步，資源成本很高。

3. 仍沒有資料派生能力：這套架構中，只是將資料分別寫入 HBase 和 Elasticsearch 中，而 HBase 和 Elasticsearch 均沒有 CDC 技術，仍然無法靈活的將資料派生到其他系統中。

Tablestore

Tablestore 是阿里雲自研的結構化大資料儲存產品，具體產品介紹可以參考 官網 以及 權威指南 。Tablestore 的設計理念很大程度上顧及了資料系統內對結構化大資料儲存的需求，並且基於派生資料體系這個設計理念專門設計和實現了一些特色的功能。簡單概括下 Tablestore 的技術理念：

1. 大規模資料儲存，支援高吞吐寫入：LSM 和 B+ tree 是主流的兩個儲存引擎實現，其中 Tablestore 基於 LSM 實現，支援大規模資料儲存，專為高吞吐資料寫入優化。

2. 通過多元化索引，提供豐富的查詢能力：LSM 引擎特性決定了查詢能力的短板，需要索引來優化查詢。而不同的查詢場景需要不同型別的索引，所以 Tablestore 提供多元化的索引來滿足不同型別場景下的資料查詢需求。

3. 支援 CDC 技術，提供資料派生能力：Tablestore 的 CDC 技術名為 Tunnel Service，支援全量和增量的實時資料訂閱，並且能無縫對接 Flink 流計算引擎來實現表內資料的實時流計算。

4. 儲存計算分離架構：採用儲存計算分離架構，底層基於飛天盤古分散式檔案系統，這是實現儲存計算成本分離的基礎。

5. 雲原生架構，Serverless 產品形態，免運維：雲原生架構的最關鍵因素是儲存計算分離和 Serverless 服務化，只有儲存計算分離和 Serverless 服務才能實現一個統一管理、統一儲存、彈性計算的雲原生架構。由於是 Serverless 產品形態，業務方無需部署和維護 Tablestore，極大地降低使用者的運維成本。

方案對比

舉一個具體的場景，結果表需要存千億級別的電商訂單交易資料，總計儲存量需要 1T，使用者需要對於這類資料進行查詢與靈活的分析。日常訂單查詢與資料檢索頻率為 1000 次/秒，資料分析約每分鐘查詢 10 次左右。

以下是不同架構達到要求所需的配置，以及在阿里雲上的購買成本：

五  總結

本篇文章談了雲原生大資料架構下的實時計算維表和結果表場景下的架構設計與選型。其中，阿里雲 Tablestore 在這些場景下有一些特色功能，希望能通過本篇文章對我們有一個更深刻的瞭解。