数据仓库可以分为三层：ODS（原始数据层）、DW（数据仓库层）、ADS（应用数据层）。

1. ODS (Operation Data Store) 层

从日志或者业务 DB 传输过来的原始数据，传统的离线数仓做法也有直接用 CDC (Change Data Capture) 工具周期同步到数仓里面。用一套统一的Kafka来承接这个角色，可以让数据更实时的落入数仓，也可以在这一层统一实时和离线的。

2. DW (Data warehouse) 层

DW 层一般也分为 DWD 层和 DWS 层：

• DWD (Data warehouse detail) 层：明细数据层，这一层的数据应该是经过清洗的，干净的、准确的数据，它包含的信息和 ODS 层相同，但是它遵循数仓和数据库的标准 Schema 定义。

• DWS (Data warehouse service) 层：汇总数据层，这一层可能经过了轻度的聚合，可能是星型或雪花模型的结构数据，这一层已经做了一些业务层的计算，用户可以基于这一层，计算出数据服务所需数据。

3. ADS (Application Data Store) 层

和 DWS 不同的是，这一层直接面向用户的数据服务，不需要再次计算，已经是最终需要的数据。

主要分为两条链路：

1. 业务 DB 和日志 -> Kafka -> 实时数仓 (Kafka + Dim 维表) -> BI DB -> 数据服务

2. 业务 DB 和日志 -> Kafka -> 离线数仓 (Hive metastore + HDFS) -> BI DB -> 数据服务

主流的数仓架构仍然是 Lambda 架构，Lambda 架构虽然复杂，但是它能覆盖业务上需要的场景，对业务来说，是最灵活的方式。

Lambda 架构分为两条链路：

• 传统离线数据具有稳定、计算复杂、灵活的优点，运行批计算，保证 T+1 的报表产生和灵活的 Ad-hoc 查询。

• 实时数仓提供低延时的数据服务，传统的离线数仓往往都是 T+1 的延时，这导致分析人员没法做一些实时化的决策，而实时数仓整条链路的延迟最低甚至可以做到秒级，这不但加快了分析和决策，而且也给更多的业务带来了可能，比如实时化的监控报警。Flink 的强项是实时计算、流计算，而 Kafka 是实时数仓存储的核心。

上图标出了 1-9 条边，每条边代表数据的转换，就是大数据的计算，本文后续将分析这些边，探索 Flink 在其中可以发挥的作用。

先说下元数据的管理，离线数仓有 Hive metastore 来管理元数据，但是单纯的 Kafka 不具备元数据管理的能力，这里推荐两种做法：

1. Confluent schema registry

搭建起 schema registry 服务后，通过 confluent 的 url 即可获取到表的 schema 信息，对于上百个字段的表，它可以省编写 Flink 作业时的很多事，后续 Flink 也正在把它的 schema 推断功能结合 Confluent schema registry。但是它仍然省不掉创建表的过程，用户也需要填写 Confluent 对应的 URL。

2. Catalog

目前 Flink 内置已提供了 HiveCatalog，Kafka 的表可以直接集成到 Hive metastore 中，用户在 SQL 中可以直接使用这些表。但是 Kafka 的 start-offset 一些场景需要灵活的配置，为此，Flink 也正在提供 LIKE [1] 和 Table Hints [2] 等手段来解决。

Flink 中离线数仓和实时数仓都使用 Hive Catalog：

use catalog my_hive;-- build streaming database and tables;create database stream_db;use stream_db;create table order_table ( id long, amount double, user_id long, status string, ts timestamp, … -- 可能还有几十个字段 ts_day string, ts_hour string) with ( ‘connector.type’ = ‘kafka’, … -- Kafka table相关配置);-- build batch database and tables;create database batch_db;use batch_db;create table order_table like stream_db.order_table (excluding options)partitioned by (ts_day, ts_hour)with ( ‘connector.type’ = ‘hive’, … -- Hive table相关配置);

‍

使用 Catalog，后续的计算可以完全复用批和流，提供相同的体验。 

计算①和⑤分别是实时数仓的导入和离线数仓的导入，近来，更加实时的离线数仓导入越来越成为数据仓库的常规做法，Flink 的导入可以让离线数仓的数据更实时化。

以前主要通过 DataStream + StreamingFileSink 的方式进行导入，但是不支持 ORC 和无法更新 HMS。

Flink streaming integrate Hive 后，提供 Hive 的 streaming sink [3]，用 SQL 的方式会更方便灵活，使用 SQL 的内置函数和 UDF，而且流和批可以复用，运行两个流计算作业。

insert into [stream_db.|batch_db.]order_table select … from log_table;

计算②和⑥分别是实时数仓和离线数仓的中间数据处理，这里面主要有三种计算：

1. ETL：和数据导入一样，批流没有区别。

2. 维表 Join：维表补字段是很常见的数仓操作，离线数仓中基本都是直接 Join Hive表即可，但是 Streaming 作业却有些不同，下文将详细描述。

3. Aggregation：Streaming 作业在这些有状态的计算中，产生的不是一次确定的值，而可能是不断变化的值。

与离线计算不同，离线计算只用关心某个时间点的维表数据，而 Streaming 的作业持续运行，所以它关注的不能只是静态数据，需要是动态的维表。

另外为了 Join 的效率，streaming 作业往往是 join 一个数据库表，而不仅仅是 Hive 表。

例子：

-- stream 维表use stream_db;create table user_info ( user_id long, age int, address, primary key(user_id)) with ( ‘connector.type’ = ‘jdbc’, ...); -- 将离线数仓的维表导入实时数仓中insert into user_info select * from batch_db.user_info; -- 维表Join，SQL批流复用insert into order_with_user_age select * from order_table join user_info for system_time as of order_table.proctime on user_info.user_id = user_info.user_id;

这里有个非常麻烦的事情，那就是在实时数仓中，需要按时周期调度更新维表到实时维表数据库中，那能不能直接 Join 离线数仓的 Hive 维表呢？目前社区也正在开发 Hive 维表，它有哪些挑战： 

Hive 维表太大，放不进 Cache 中：

• 考虑 Shuffle by key，分布式的维表 Join，减少单并发 Cache 的数据量

• 考虑将维表数据放入 State 中

维表更新问题：

• 简单的方案是 TTL 过期

• 复杂一些的方案是实现 Hive streaming source，并结合 Flink 的 watermark 机制

例子：

select age, avg(amount) from order_with_user_age group by age;

‍

一句简单的聚合 SQL，它在批计算和流计算的执行模式是完全不同的。 

Streaming 的聚合和离线计算的聚合最大的不同在于它是一个动态表[4]，它的输出是在持续变化的。动态表的概念简单来说，一个 streaming 的 count，它的输出是由输入来驱动的，而不是像 batch 一样，获取全部输入后才会输出，所以，它的结果是动态变化的：

• 如果在 SQL 内部，Flink 内部的 retract 机制会保证 SQL 的结果的与批一样。

• 如果是外部的存储，这给 sink 带来了挑战。

有状态计算后的输出：

• 如果 sink 是一个可更新的数据库，比如 HBase/Redis/JDBC，那这看起来不是问题，我们只需要不断的去更新就好了。

• 但是如果是不可更新的存储呢，我们没有办法去更新原本的数据。为此，Flink 提出了 Changelog 的支持[5]，想内置支持这种 sink，输出特定 Schema 的数据，让下游消费者也能很好的 work 起来。

例子：

-- batch：计算完成后，一次性输出到mysql中，同key只有一个数据-- streaming：mysql里面的数据不断更新，不断变化insert into mysql_table select age, avg(amount) from order_with_user_age group by age;-- batch: 同key只有一个数据，append即可insert into hive_table select age, avg(amount) from order_with_user_age group by age;-- streaming: kafka里面的数据不断append，并且多出一列，来表示这是upsert的消息，后续的Flink消费会自动做出机制来处理upsertinsert into kafka_table select age, avg(amount) from order_with_user_age group by age;

• Druid sink
• Doris sink
• Clickhouse sink
• HBase/Phoenix sink

本文从目前的 Lambda 架构出发，分析了 Flink 一栈式数仓计算方案的能力，本文中一些 Flink 新功能还在快速迭代演进中，随着不断的探索和实践，希望朝着计算一体化的方向逐渐推进，将来的数仓架构希望能真正统一用户的离线和实时，提供统一的体验：

• 统一元数据

• 统一 SQL 开发

• 统一数据导入与导出

• 将来考虑统一存储

  福利来了 

《Apache Flink 十大技术难点实战》

本书由 Apache Flink 核心贡献者及一线大厂生产环境使用者总结分享，内容全面丰富，涵盖原理解析、应用实践、demo 演示、生产环境常见问题排查与解法、Flink 1.10 生态应用原理与实践，助力大数据开发者真正解决 Flink 生产应用难题！

识别下方二维码，或点击文末“阅读原文”下载本书：