大数据开发平台 (Data Platform) 在有赞的最佳实践
前言
随着公司规模的增长，对大数据的离线应用开发的需求越来越多，这些需求包括但不限于离线数据同步 (MySQL/Hive/Hbase/Elastic Search 等之间的离线同步)、离线计算 (Hive/MapReduce/Spark 等)、定时调度、运行结果的查询以及失败场景的报警等等。
在统一的大数据开发平台产生之前，面临一系列的问题：
- 多个开发和调度入口，不同的业务部门之间的项目或组件很难复用，同时带来繁重的运维成本
- Hadoop 的环境对业务团队的同事来讲不友好（除了要熟悉业务以外还需要对底层框架有比较深入的了解）
- 重复的开发工作（例如导表、调度等本来可以复用的模块，却需要在多个项目中重复实现）
- 频繁的跨部门需求沟通和讨论
为了解决上述遇到的各类问题，同时参考了业界其他公司的大数据解决方案，我们设计并实现了大数据开发平台（Data Platform，简称 DP），通过可视化的交互界面，解决离线大数据计算相关的各种环境和工具。
本文将介绍 DP 的系统设计以及在有赞的落地情况，内容包括：
- DP 的系统设计，包括架构设计，以及重点介绍了调度模块的设计
- 目前在有赞的落地现状
- 总结和展望
大数据开发平台的设计
架构设计
大数据开发平台包括调度模块（基于开源 airflow 二次开发）、基础组件（包括公共的数据同步模块 / 权限管理等）、服务层（作业生命周期管理 / 资源管理 / 测试任务分发 /Slave 管理等）和监控（机器资源 / 日志 / 基于预测的监控）。这些模块具体功能和职责为：
- ** 任务调度模块：** 支持基于任务优先级的多队列、分布式调度。在开源的 airflow 基础上进行了二次开发，主要新增功能包括：
- 增加多种任务类型（datax/datay/ 导出邮件 / 导出 es/Spark 等）
- 根据任务的上下游关系以及重要程度，计算任务的全局优先级，根据全局优先级调度（优先级高的优先执行，低的则进入队列等待）
- 跨 Dag 的任务依赖关系展示（基于全局 Dag，通过任务的读写 Hive 表信息建立跨 Dag 的依赖关系）
- 一键 Clear 当前节点的所有依赖下游节点（支持跨 Dag）
- ** 基础模块：** 包括离线的全量 / 增量数据同步、基于 Binlog 的增量同步、Hive 导出 ES / 邮件、MySQL 同步到 Hbase (开发中) 等，参考图 2。
- ** 服务模块：** 负责作业的生命周期管理，包括作业的创建 (修改)、测试、发布、运维等，服务部署采用 Master / Slave 模式，参考图 3 所示。其中
- Master 节点支持 HA 以及热重启（重启期间另外一台提供服务，因此对用户是无感知的）。Master 节点的主要职责是作业的生命周期管理、测试任务分发、资源管理、通过心跳的方式监控 Slaves 等。
- Slave 节点分布在调度集群中，与 Airflow 的 worker 节点公用机器。Slave 节点的主要职责是执行 Master 分发的命令（包括测试、机器监控脚本等）、更新资源（通过 Gitlab ）等。
- ** 监控模块：** 对调度集群的机器、资源、调度任务进行全方位的监控和预警。按照监控的粒度和维度分成三类：
- _ 基础监控：_ 结合运维监控（进程、IO 等）和自定义监控（包括任务环比波动监控、关键任务的产出时间监控等）对 DP 的 Master 节点和 Worker 节点进行基础的监控和报警。
- _ 日志监控：_ 通过将任务运行时产出的日志采集到 Kafka，然后经过 Spark Steaming 解析和分析，可以计算每个任务运行的起止时间、Owner、使用到的资源量（ MySQL 读写量、 Yarn 的 CPU / Memory 使用量、调度 Slot 的占用情况等），更进一步可以分析 Yarn 任务的实时运行日志，发现诸如数据倾斜、报错堆栈信息等数据。最后将这些数据存储在 NoSQL（比如 Redis ）以进一步的加工和展示。
- _ 任务预测监控：_ 通过提前一段时间模拟任务的调度（不真正的跑任务），来预测任务的开始 / 结束时间，同时可以提早知道可能失败、超时的任务列表，进而在问题发生之前进行规避。
- 现阶段已经实现的功能：分析可能失败的任务列表（失败的原因可能是 DB 的配置发生更改、上游的节点失败等）并发送告警信息；基于过去一段时间的运行时间数据，模拟整个任务调度，可以计算出任务的开始 / 结束时间以及超时告警。
- 未来规划：任务的运行时长不是基于过去的数据，而是通过读取的数据量、集群资源使用率、任务计算复杂程度等多个特征维度来预测运行时长。
任务调度设计
大数据开发平台的任务调度是指在作业发布之后，按照作业配置中指定的调度周期（通过 crontab 指定）在一段时间范围内（通过开始 / 结束时间指定）周期性的执行用户代码。任务调度需要解决的问题包括：
- 如何支持不同类型任务？
- 如何提供任务调度的高并发（高峰时期每秒需要处理上百个任务执行）？
- 如何保证相对重要的任务（数据仓库任务）优先获取资源并执行？
- 如何在多台调度机器上实现负载均衡（主要指 CPU/ 内存资源）？
- 如何保证调度的高可用？
- 任务调度的状态、日志等信息怎么比较友好的展示？
为了解决上述问题，我们调研了多种开源框架（Azkaban/Oozie/Airflow 等），最终决定采用 Airflow + Celery + Redis + MySQL 作为 DP 的任务调度模块，并结合公司的业务场景和需求，做了一些深度定制，给出了如下的解决方案（参考图 4）：
- 针对问题 1，在 Airflow 原始的任务类型基础上，DP 定制了多种任务（实现 Operator ），包括基于 Datax 的导入导出任务、基于 Binlog 的 Datay 任务、Hive 导出 Email 任务、 Hive 导出 ElasticSearch 任务等等。
- 针对问题 2，一方面通过 Airflow 提供的 Pool + Queue + Slot 的方式实现任务并发个数的管理，以及把未能马上执行的任务放在队列中排队。另一方面通过 Celery 可以实现了任意多台 Worker 的分布式部署（水平扩展），理论上调度没有并发上限。
- 针对问题 3，在 Airflow 本身支持的优先级队列调度基础之上，我们根据任务的上下游关系以及标记重要的任务节点，通过全局 DAG 计算出每个节点的全局优先级，通过将该优先级作为任务调度的优先级。这样可以保证重要的任务会优先调度，确保重要任务产出时间的稳定性。
- 针对问题 4，首先不同类型的任务需要耗费不同类型的资源，比如 Spark 任务是内存密集型、Datax 任务是 CPU 密集型等，如果将同一类任务集中在一台机器上执行，容易导致部分系统资源耗尽而另外一部分资源空闲，同时如果一台机器的并发任务数过多，容易引起内存 OOM 以及 CPU 不断地切换进程上下文等问题。因此我们的解决方式是：
- 将任务按照需要的资源量分成不同类型的任务，每种类型的任务放到一个单独的调度队列中管理。
- 每个队列设置不同的 Slot ，即允许的最大并发数
- 每台 Worker 机器同时配置多个队列
- 基于这些配置，我们可以保证每台 Worker 机器的 CPU / 内存使用率保持在相对合理的使用率范围内，如图 5 所示
- 针对问题 5，任务调度模块涉及到的角色包括 Scheduler (生产者) 和 Worker (消费者)，因为 Worker 本来就是分布式部署，因此部分机器不可用不会导致整个调度的不可用（其他节点可以继续服务）。而 Scheduler 存在单点问题，我们的解决方案是除了 Active Scheduler 节点之外，新增一个 Standby Scheduler（参考图 3），Standby 节点会周期性地监听 Active 节点的健康情况，一旦发现 Active Scheduler 不可用的情况，则 Standby 切换为 Active 。这样可以保证 Scheduler 的高可用。
- 针对问题 6，Airflow 自带的 Web 展示功能已经比较友好了。
现状
DP 项目从 2017 年 1 月开始立项开发，6 月份正式投入生产，之后经过了 N 轮功能迭代，在易用性和稳定性方面有了显著提升，目前调度集群包括 2 台 Master 和 13 台 Slave（调度）节点（其中 2 台用于 Scheduler ，另外 11 台用于 Worker )，每天支持 7k+ 的任务调度，满足数据仓库、数据中心、BI、商品、支付等多个产品线的应用。
目前 DP 支持的任务类型包括：
- 离线数据同步：
- 从 MySQL 到 Hive 的全量 / 增量数据同步 ( 基于 Datax 二次开发）
- 从 Hive 到 MySQL 的全量 / 增量数据同步 ( 基于 Datax 二次开发）
- 从 MySQL 通过 Binlog ，经过 Nsq/Hdfs/MapReduce 增量同步到 Hive（ Datay ，自研）
- 从 MySQL 同步到 Hbase ( 基于 Datax 二次开发）
- 从 Hive 同步到 ElasticSearch ( 基于 Datax 二次开发）
- Hadoop 任务：
- Hive/MapReduce/Spark/Spark SQL
- 其他任务：
- 将 Hive 表数据以邮件形式导出（支持 PDF/Excel/Txt 格式的附件）
- Python/Shell/Jar 形式的脚本任务
总结和展望
DP 在经过一年半的不断功能迭代和完善之后，目前日均支持 7k+ 的任务调度，同时在稳定性和易用性方面也有了较大的提升，可以满足用户日常对大数据离线开发的大部分使用场景。同时我们也意识到大数据开发这块还有很多可以挖掘和提升的点，未来我们可能会从这些方面进一步完善平台的功能和提升用户体验：
- 更加丰富的任务类型
- 进一步整合其他平台或工具，做到大数据开发的一站式体验
- 提供用户首页（空间），提供日常运维工具和管理页面，更加方便任务的集中管理
- 任务日志管理优化（包括快速定位出错信息 / 拉取和分析 Yarn 日志等）