Apache Kylin 发布新版流处理引擎

Apache Kylin 在 1.5.0 推出了从流数据进行准实时（Near Real Time）处理功能，可以直接从 Apache Kafka 的主题（Topic）中消费数据来构建 Cube。Apache Kylin 1.5.0 的流处理是一次实验性的探索，它打破了以往只能从 Apache Hive 表构建 Cube 的局限，将数据从产生到可查询的延迟从小时级降低到了分钟级，满足了一些对实时性要求比较高的场景；但它在实现上存在一些局限︰

• 不可扩展︰ 由于是利用单个 Java 进程（而不是利用某种计算框架）对数据做处理，当遇到流数据高峰时，可能由于资源不足而导致构建失败 ;
• 可能会丢失数据︰ 由于使用一个起始时间 + 结束时间在 Kafka 队列中使用二分查找近似地寻找消息的偏移量 (offset)，过早或过晚到达的消息将会被遗漏，从而使得查询结果有误差 ；
• 难以监控︰ 用于构建的任务是单独通过 shell 脚本执行的，而不是像其它 Cube 那样由任务引擎统一调度和执行，所以这些任务是在 Web 界面和 REST API 上都无法查询到的，使得用户无法方便地使用工具进行监控和管理；
• 其它︰ 必须持续执行，如果有系统宕机将会造成某些时间窗口的任务没有被执行，从而必须依靠管理员手动恢复；如果宕机时间较长，管理员不得不将长时间窗口切成多个小时间窗口依次来恢复，非常繁琐 。

为了克服这些限制，Apache Kylin 团队基于 Kafka 0.10 的 API，开发了新版的准实时流式处理，它已经在内部测试了一些时间，目前正在公开测试中。

新版流式构建是在Kylin v1.5 的"可插拔 "架构下的一个完美实现︰ 将Kafka 主题视为一种数据源，实现相应的适配器，将数据先抽取、转换和保存到 HDFS，接下来使用各种Kylin 的构建引擎（MR/Spark 等）对数据进行并行计算 。图 1 是高层次的架构图。

Kylin 的 Kafka 适配器参考了 kafka-hadoop-loader 的思路和部分代码， 将 Kafka 主题抽象成 Hadoop 输入文件格式（InputFileFormat），为主题的每个分区（partition）分配一个 Mapper 消费数据 ; 之后 Kylin 将利用现有框架进行并行处理，从而使得方案变得可扩展且具有容错性。

要解决"数据丢失"问题，Kylin 将开始 / 结束消息的偏移量（offset）计入了每个 Cube segment，并使用偏移量作为分区值 ，offset 是顺序递增的且不能有重叠和遗漏（如果主题有多个分区，使用各分区偏移量之和作分区值）; 这将确保没有数据丢失，一个消息只会被消费一次。晚到达的消息会被稍后的 segment 统计进来；每个 Segment 有"最早时间”和"最晚时间"; 当用户按时间条件查询时，Kylin 将扫描与查询时间范围相匹配的所有段。图 2 解释了这个设计。

上图中有三个 segment，它们的 offset 依次连续且无重叠（左包右闭），Seg[100-400] 中的消息时间跨度是 1:04 – 1:11，Seg[400 - 2000] 的时间跨度是 1:08 – 1:40；当用户要查询 1:10 的统计信息时，Kylin 发现这两个 Segment 都可能有这个时间的消息，故而会扫描这两个 Segment 然后再次做汇总计算。

新版流计算引擎也进行其它一些更改和增强︰

• 允许同时构建 / 合并多个 segment，前后的构建任务都是独立的
• 自动从前一个 segment 或从 Kafka 寻找消息的开始及结束的 offset
• 支持嵌入格式（结构化）的 JSON 消息
• 增加了触发流式构建的 REST API
• 增加了来检查和部分填补 segment 空洞的 REST API

内部的集成测试结果初步验证了当初的目标 ︰

• 可伸缩︰ 它能够在一次构建中轻松处理上亿条消息 ;
• 灵活︰ 可以在任何时候，以你期望的频率触发构建，例如︰ 在白天每隔 5 分钟触发一次， 在夜间将频率降低到每个小时，在需要做的维护可以随时暂停 ; 由于是 Kylin 管理所有主题的 offset，再恢复时它可以自动从上一次的结束位置继续 ;
• 稳定︰ 稳定性大大提高，在上一版中经常发生的 OutOfMemory 错误再没有出现过；
• 易于管理︰ 用户可通过 Kylin 的"Monitor"页面或 REST API 检查所有构建任务的状态 ;
• 构建性能︰相比于前一版构建时间略长（因为有 Hadoop 任务的调度），但延迟依然在可接受的分钟级别。

在一个小规模的测试群集 （8 台 AWS 实例，消费 Twitter Sample 消息流） 中，创建一个有 9 个 维度和 3 个度量的 Cube, 每秒约一万条消息，当构建间隔是 2 分钟的时候，平均每次构建需 3 分钟 ; 当构建间隔是 5 分钟的时候，平均每次构建需要 4 分钟 ; 这里是几个测试中的截图 ︰

总结，这是比前一版本相比更加健壮和完善的流数据 OLAP 解决方案。现在你可以从 Apache Kylin 的下载页面下载到 1.6.0-SNAPSHOT 的二进制包，然后按照此教程生成第一个流式Cube。

作者介绍：

史少锋，Kyligence 技术合伙人& 资深架构师 Apache Kylin 核心开发者和项目管理委员会成员（PMC)，专注于大数据分析和云计算技术。曾任eBay 全球分析基础架构部大数据高级工程师，IBM 云计算部门软件架构师；曾是IBM 公有云Bluemix dev&ops 团队核心成员，负责平台的规划、开发和运营。

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。