作者:沐远
本文整理自来自阿里巴巴的沐远的技术分享，由大数据技术与架构进行整理和总结。
场景需求和挑战
面临的场景
金融风控
- 用户画像库
- 爬虫抓取信息
- 反欺诈系统
- 订单数据
个性化推荐
- 用户行为分析
- 用户画像
- 推荐引擎
- 海量实时数据处理
社交Feeds
- 海量帖子、文章
- 聊天、评论
- 海量实时数据处理
时空时序
- 监控数据
- 轨迹、设备数据
- 地理信息
- 区域分布统计
- 区域查询
大数据
- 维表和结果表
- 离线分析
- 海量实时数据存储
新的挑战
Apache HBase(在线查询) 的特点有：
- 松散表结构(Schema free)
- 随机查询、范围查询
- 原生海量数据分布式存储
- 高吞吐、低延迟
- 在线分布式数据库
- 多版本、增量导入、多维删除
面临的新的挑战：
- 流式及批量入库
- 复杂分析
- 机器学习、图计算
- 生态及联邦分析
选择Spark的原因
- 快：通过query的执行优化、Cache等技术，Spark能够对任意数据量的数据进行快速分析。逻辑回归场景比Hadoop快100倍
- 一站式：Spark同时支持复杂SQL分析、流式处理、机器学习、图计算等模型，且一个应用中可组合上面多个模型解决场景问题
- 开发者友好：同时友好支持SQL、Python、Scala、Java、R多种开发者语言
- 优秀的生态：支持与Ka=a、HBase、Cassandra、MongoDB、Redis、MYSQL、SQL Server等配合使用
平台机构及案例
一站式数据处理平台架构
- 数据入库：借助于Spark Streaming，能够做流式ETL以及增量入库到HBase/Phoenix。
- 在线查询：HBase/Phoenix能够对外提供高并发的在线查询
- 离线分析及算法：如果HBase/Phoenix的数据需要做复杂分析及算法分析，可以使用Spark的SQL、机器学习、图计算等
典型业务场景：爬虫 搜索引擎
- 性能：流吞吐 20万条/秒
- 查询能力：HBase自动同步到solr对外提供全文检索的查询
- 一站式解决方案：Spark服务原生支持通过SQL读取HBase 数据能力进行ETL，Spark HBase Solr一站式数据处理平台
典型业务场景：大数据风控系统
- Spark同时支持事中及事后风控
- Spark友好对接HBase、RDS、MongoDB多种在线库
典型业务场景：构建数据仓库(推荐、风控)
- 毫秒级识别拦截代充订单，并发十万量级
- Spark优秀的计算能力：Spark基于列式存储Parquet的分析在数据量大的情况下比Greenplum集群有10倍的性能提升
- 一站式解决方案：Spark服务原生支持通过SQL读取 HBase SQL(Phoenix)数据能力
- 聚焦业务：全托管的Spark服务保证了作业运行的稳定性，释放运维人力，同时数据工作台降低了spark作业管理成本
原理及最佳实践
Spark API的发展经历了RDD、DataFrame、DataSet
Spark Streaming采用的是Micro-Batch方式处理实时数据。
作业堆积、延迟高、并发不够？
- 每批次的并发：调大kafka的订阅的分区、spark.streaming.blockInterval
- 代码热点优化：查看堆栈、broadcast、代码优化
Spark流式处理入库HBase
Micro-Batch Processing：100ms延迟 ，Continuous Processing：1ms延迟
Spark HBase Connector的一些优化
代码托管在：https://github.com/aliyun/aliyun-apsaradb-hbase-demo （包含Spark操作Hbase和Phoenix）
