点击免费下载
《实时数仓技术入门一本通》>>>

也可在PC端打开 https://developer.aliyun.com/topic/download?id=961 下载

一、Hologres生态

从前面几篇的内容，相信大家已经了解到Hologres是一款兼容PostgreSQL协议的实时交互式分析产品。在生态的兼容性上，Hologres有着非常庞大的生态家族，如下图所示，

• 对于开源大数据领域，Hologres支持当下最流行的大数据开源组件，其中包括
• 对于埋点类数据，支持Blink/Flink/Spark/数据集成等大数据工具进行高性能的实时导入和批量导入
• 对于数据库类的数据，通过和Dataworks数据集成（DataX和StreamX）共建实现方便高效的数据库整库实时镜像到Hologres中，并满足金融企业对可管理性、监控、网络等的需求

无论是实时数据，还是离线数据接入Hologres之后，接下来就能使用Hologres对数据进行分析。最常见的就是使用JDBC或者ODBC对数据进行查询、分析、监控，然后承接上游的业务，比如说大屏、报表、应用等各种场景。
 
 
同时再为大家介绍一下DataWorks，它是阿里云的一个数据开发平台，提供了数据集成、数据地图、数据服务等功能。数据集成主要功能可以将数据库的数据导入Hologres，其中同步的方式包括离线同步和实时同步，离线同步支持几十种异构数据源同步至Hologres，而实时同步当前主要支持以下几种：

• Mysql Binlog：通过订阅Biblog的方式将mysql数据实时写入Hologres
• Oracle CDC：全称是Change Data Capture，也是一个类似Mysql Binlog的用来获取Oracle表change log的方式
• Datahub：是阿里巴巴自研的一个分布式高性能消息队列，值得一提的是，Datahub自身也提供了直接将数据实时导入至Hologres的功能，无需经过Dataworks
• PolarDB：是阿里巴巴自主研发的关系型分布式云原生数据库

二、Hologres实时导入接口介绍

接下来为大家介绍一下Hologres提供的一个实时导入的接口，以及接口的技术原理。

 1）实时导入接口

Hologres实时导入接口的具备以下特性：

• 行存&列存都支持
• 支持根据主键去重 (Exactly once)
• 支持整行数据局部更新
• 导入即可见，毫秒级延迟
• 单Core 2W+ RPS (TPCH PartSupp表)
• 性能随资源线性扩展
• 支持分区表写入

 2）实时导入原理

实时导入的原理如下图所示，首先我们看一下该图的最上面的几个节点，代表了数据的上游，也就是业务层。如何将数据导入Hologres，主要有两种场景：

• 使用SQL进行数据的导入（最常见）

例如使用JDBC执行insert语句，该insert语句会经过一个负载均衡服务器路由分发至我们的Frontend节点，对该insert语句进行SQL的解析优化，然后生成一个优化后的执行计划，并将该执行计划分发至后端的worker节点。worker节点收到该执行计划之后，就会将该数据完成写入。

• Connector写入

另外一条链路为左边的Private API链路，也就是当前Apache Flink或者Apache Spark Connector所使用的Hologres的实时导入接口。该Private API提供的数据接口和普通sql请求不一样，而是我们称之为Fixed Plan的请求接口，这些请求被分发至负载均衡服务器之后，负载均衡服务器会将数据路由分发至一个叫做Private API Service的节点。该节点将数据写入请求分发至worker节点，也就是后端的节点。当worker节点收到，无论是Fixed Plan，还是执行计划之后，会对数据进行持久化，最终数据完成写入。

 
接着来更进一步理解Private API Service的一个数据分发功能。如下图所示，一张表的数据分布在多个Shard上，一条记录只会属于一个Shard，根据Distribution key属性进行Hash。

当实时写入的数据请求到达后端的worker节点之后，worker节点是怎么处理的。如下图所示，这一块有如下特点：

• Log Structured Merge Tree(LSM)
• 全异步框架，协程(Coroutine)
• 基于Masstree的Memtable

同时上面也提到通过SQL来进行数据的写入是最常见的场景，Hologres也在后端优化了整个SQL的写入链路。例如对于Insert into values，Insert into on conflict do update，Select from where pk = xxx等场景简单的SQL，Hologres会进行优化，减少SQL的解析和优化过程，提升整个数据写入和查询的性能。

三、Hologres实时读写场景

 前面介绍了Hologres通过connector写的原理，下面将会介绍Flink+Hologres最常见的写入场景。

1）实时写入场景

最常见的第一种就是实时写入场景。实时写入分为几种。

• 第一种，Hologres的结果表没有设置主键，这样Flink实时接入就是一种Append Only的模式进行写入。当上游数据发生重复，或者Flink任务作业失败，上游数据会需要进行回溯，这时候下游数据录入到Hologres中就会产生重复的数据。这种情形对于日志型数据是比较合理的，因为用户并不需要关心数据是否需要进行去重
• 第二种，Hologres的结果表设置了主键。Flink或者其它实时写入就会按照行的主键进行更新。主键更新的意思就是说对于相同主键的两行数据，后到的数据会完全覆盖掉之前已经到达的数据。
• 第三种，是按照主键去重。就是说后到的数据会被忽略掉，只保留最早到的一条记录。这种场景用户并不关心主键的更新情况，只需要保证主键的去重。

 2）宽表Merge场景

例如一个用户的结果表有非常多的字段，会有上百列，而该表的许多字段可能同时分布在不同的数据上游，例如，Column C和D分布在一个kafka的topic A上面，Column E和F分布在kafka的topic B上面，用户希望消费两个kafka topic，并将数据merge成Hologres的一张结构表。最常见的解决办法是，进行流场景的一个双流Join。这种实现对于开发人员来说相对比较复杂，需要实现一个双流Join，而且理论上来说会对计算资源要求非常大，也加剧了运维人员的负担。
 
 
而Hologres针对这种场景是如何实现的呢？
Hologres支持局部更新的功能。如下图所示，按照这种实现方式，只需要两个流各自写入Hologres结果表。第一个流消费ABCD四个字段，将数据写入到最终的结果表中。第二个流消费ABEF四个字段，最终将数据写入到结果表，并不需要进行双流的Join，最终Hologres会自己进行一个数据的组装。第一个流写入ABCD的时候并不会去更新已经存在的EF字段，同样，第二个流写入ABEF字段的时候，C和D字段已经存在，不会被更新，最终达到完整的一个数据Merge的功能。使用这种功能，可以大大提升流作业的开发效率，以及减少流作业所需要的资源消耗，也能够更容易的维护各个流作业。
 

 3）实时维表Join场景

除了写场景，Hologres也支持读场景，最常见的是使用Hologres的行存表来进行点查。如下图所示，是一个实时维表的Join场景。主要逻辑是生成一个数据源，会不停的生成一个数据流，和Hologres的维表进行Join，打宽数据流，最终将数据写入到一个结果表中。在实际业务中，这种使用场景通常会用来替换HBase，以达到更好的性能和更低的成本。
 
 4）Hologres Binlog场景
如下图所示，以消息队列方式读取Hologres数据的Change log。 其中：

• Binlog系统字段，表示Binlog序号，Shard内部单调递增不保证连续，不同Shard之间不保证唯一和有序
• Binlog系统字段，表示当前 Record 所表示的修改类型
• UPDATE操作会产生两条Binlog记录，一条更新前，一条更新后的。订阅Binlog功能会保证这两条记录是连续的且更新前的Binlog记录在前，更新后的Binlog记录在后