【技术分享】大众点评数据平台架构变迁

最近和其他公司的同学对数据平台的发展题做了一些沟通，发现各自遇到的问题都类似，架构的变迁也有一定的相似性。

以下从 数据&架构&应用的角度对2012.07-2014.12期间大众点评数据平台的架构变迁做一个概括性的，希望对还处在数据平台发展初期的同学有一些帮助，欢迎线下沟通。

1.0(2012.07)

1.1 数据

以支持用户报表需求为主 初步沉淀出了一些底层模型 模型计算程序以python为主

1.2 架构

存储和计算都在GreenPlum GreenPlum采用双集群热备，一大一小，部分关键报表数据在两个集群存储、计算。 传输公司的DBA同学将数据从Mysql、SQLServer拉出来，落地成文件。传输程序每天凌晨解析落地的文件，然后将数据load到greenplum 调度使用Quartz框架，依赖关系存放到表中，将依赖检查做成一个脚本，下游job 调用方法check上游任务是否完成 监控用户程序自主判断异常，邮件、手机报警。

1.3 数据应用

报表数据以邮件的形式发送给用户 用户可以使用自定义sql的web查询工具主动查询数据

2.0(2013.04)

2.1 数据

1. 有了明确的模型分层

ODS:存放从原系统采集来的原始数据 DW:保存经过清洗，转换和重新组织的历史数据，数据将保留较长时间,满足系统最细粒度的查询需要 DM: 数据集市。基于部门或某一特定分析主题需要 RPT:直接面向用户的报表

2. 形成了流量、团购、信息三大基础模型及构建于三大基础模型之上的数据集市

3. 基于volocity开发了canaan计算框架。

4. 开发了一些自定义的UDF

2.2 架构

1. 存储和计算都基于HIVE

2. GREENPLUM作为HIVE的“cache”存在，供用户做一些小数据的快查询，报表存储。

3. 调度和canaan框架进行整合，支持用户快速新增任务，并自动导入任务依赖。

4. 主数据保存了数据仓库元数据信息，供用户查询和系统内部各个模块交互。

5. ACL构建了数据仓库数据访问权限控制，包括用户权限申请、审批者审批、数据赋权等。

6. 传输

参考阿里DataX的设计，实现了点评的异构数据离线传输工具wormhole 可视化界面，用户通过界面操作，方便的将数据导入导出数据 和调度、主数据等系统打通

7. 监控由于任务数量增长较快(2000+)，运维已经是个问题，，我们花了较大精力做了可视化的工作

2.3 数据应用

运营工具用户自定义SQL，存储基于HIVE 指标(KPI)用户自定义SQL，计算基于HIVE，结果放到GREENPLUM中，用户可以根据指标通过时间拼接成报表 HIVE WEB非常便捷的HIVE WEB工具，可用性可以甩hive原生的web界面HWI几条街了

3.0(2013.12)

3.1 数据

有了明确的上层数据集市，各层数据集市打通，例如团购数据和流量数据打通 形成了用户集市、商户集市两大主题 和算法团队合作建设推荐系统 提供框架和工具支持，引入外部数据开发者

3.2 架构

引入mysql、hbase，支持线上服务 数据访问接口支持API、Query Engine、RPC Service 引入shark支持临时查询，出于稳定性考虑，牺牲性能，shark/spark集群和hadoop/hive集群物理隔离 数据质量用户指定以条件，对计算结果做检查

3.3 数据产品

支持DashBoard

4.0(2014.12)

4.1 数据

持续扩充/完善数据模型 数据规范化，主要包括APP日志、渠道 完善数据开发平台，其他部门数据开发者100+

4.2 架构

建设Redis Cluster，支持实时推荐、用户画像等服务 Hadoop升级到YARN 引入Storm支持实时计算 推出类Kafka的分布式消息系统，结合日志框架，支持日志数据的快速/低成本接入 建设元数据中心

4.3 数据产品

4.3 数据产品

推出专有数据产品，包括运营效果评估、流量分析产品等。

来源IT瘾