罗强：腾讯新闻如何处理海量商业化数据？

导读： 随着信息化时代的来临，信息呈现出爆炸式的增长。尤其是在移动互联网的推动下，每天大量信息涌入让人们应接不暇，腾讯新闻客户端的出现，就是以帮助用户寻找有用信息而出现。这时，面对海量的数据、繁多的业务，如何处理手中的数据，利用数据赋能是今天会议讨论的重点。
今天的介绍会围绕下面三部分展开：

• 背景介绍
• 海量日志处理架构
• 数据应用举例

--

01 背景介绍

首先介绍一下腾讯新闻的背景。

团队目前承担腾讯新闻客户端，体育和新闻插件的创新业务的输入，广告和用户行为的数据采集、处理、计算和分析的工作。最大的特点就是数据多、业务广。数据庞大，业务应用多样，例如数据会被用于报表展示、算法模型的训练、产品决策等场景。

--

02 海量日志处理架构

1. 总体架构

众所周知，业务在实际开发过程中需要一套有效的数据管理、组织、处理方法，使得整个数据体系更加有序。上图展示的是腾讯新闻整体的处理架构，包括：

• 采集层：依托于大同数据采集上报服务，大同是目前内部力推的数据治理的客户端上报平台。

• 计算层：包括实时计算与离线计算。离线是基于TDW（hive表）和HDFS建立的各个业务请求、点击、曝光等维度的数据表，同时利用欧拉平台的数据分层、数据分类、数据血缘等能力完成数据资产的管理。实时计算方面使用Oceanus平台和内部的Datahub完成整个数据的开发。这个设计解决了需求多变、代码复杂、系统高可用、海量数据低延时接入、数据高复用等问题。在ODS原始数据层、DWD数据明细层、DWS主题轻汇聚层，我们采用集团的Tube消息中间件，以及BG内部的CDMQ。Tube消息中间件解决海量数据及时接入的问题。数据各层由流式计算引擎进行业务的清洗与转化，结果会回流到下一个消息中间件，供下游使用。对于ODS层的实时数据我们会每隔一个小时同步到TDW，大概存储周期为3天，这部分数据既能用于离线计算，又能作为数据的备份。比如一些链路发生异常，可以利用这部分数据进行问题排查和数据恢复。

• 数据存储层：组件比较丰富，有Impala、ClickHouse、Mysql、Redis等。Impala主要应用在内部灯塔平台和Datatalk平台进行报表和数据探测的工作中。

2.数据上报

这部分详细地讲解整个数据上报体系。目前数据上报会根据数据源进行分类上报。数据源主要分为四大类：

• 客户端：包括客户端、PC、H5这类数据。采用灯塔SDK进行上报，使用大同SDK进行采集。同时会基于大同平台进行事件的管理，例如埋点的事件管理和统一参数的上报。大同平台有效地解决需求散乱、数据难校验、上报不规范等问题。在整个实时链路中，这部分数据接着会通过atta分发到TDW（hive表）和CDMQ实时中间件供下游进行实时消费。

• 后台：主要包括后台服务器日志的上报。这部分数据会上报到Tdbank。Tdbank会同时将数据转化为TDW（hive表），同时还会分发到Tube实时流中，供下游进行实时消费。

• DB：跟后台数据上报类似。以前的方式是DB同步，例如按小时更新或者按天更新将Mysql更新数据放到Hive表中。目前，会通过Flink CDC监听Mysql的binLog实时更新业务维表。

• 文件：例如业务配置和运营的配置文件，量不大，会通过手动的方式离线同步到TDW（hive表）中去。

3. 实时计算框架

实时计算架构整体上选择Lamda架构，ODS层到DWD层数据的处理，实时和离线部分是公用的，也体现了流批一体的概念。下面就分模块介绍实时计算部分的整体架构。

• 存储/接入层：负责客户端与后台的实时中间数据上报。数据被上报到消息中间件中，消息中间件一方面负责消息的存储，另一方面承担数据分发给离线和在线处理平台的功能，同时它是数据源和数据处理系统之间的桥梁。

• DWD：DWD层的设计是为了减少下游频繁对ODS层数据进行消费。对于新的需求开发我们只需要申请DWD层的Tube消费节点即可。这样处理极大地节省了计算单元。

• 计算层：主要负责数据的ETL、维表关联、特征抽取等业务逻辑的计算。

• 数据仓库存储层：主要采用TDW（hive表）、HDFS和Impala作为存储介质。ODS层的原始数据默认保存在HDFS上，保存周期默认为3天。

另外，DWD和DWS层数据支持写入TDW和HDFS去做离线计算。同时也支持导入Impala进行存储，以供灯塔平台和DataTalk平台等进行数据探测和报表展示。

4. 离线计算框架

针对离线计算部分，我们对数据进行了分层管理，简单概括为以下四层：

• ODS：原始数据存储层。存储大同上报或后台上报的原始数据，例如广告点击曝光等数据。

• DWD：数据明细存储层。存储经过清洗和标准化的数据。

• DWS：数据轻度汇合层。基于单业务场景或者单用户行为的汇总。

• ADS：数据应用层。只要存储最终的，呈现结果的数据。例如存储报表和进入Impala之前的数据，或者 存储需要进入Redis、ClickHouse等的数据。

我们对数据层的调用进行了约束：

• DWD层必须存在。且所有的ETL逻辑都在DWD层上。

• DWS层优先调用DWD层。ADS优先调用DWS层。

• DWD层不做过多与DIM维表的关联。

同时我们对于表的命名进行规范，该命名规范使得杂乱无章的数据表变得规范有序，使得内部业务合作变得便利。具体规范如下：

5. 数据质量及链路保障

关于数据质量以及链路保障，分为在线和离线两部分进行讲解。

离线部分，一方面会依托平台提供指标监控告警以及SLA保障的能力；另一方面，在代码层面进行设计，通过异常捕获、分级告警，出错分层管理，重置机制等，提高整个系统的高可用和稳定性。

实时部分，最容易出错的就是Flink实时计算部分，例如出现内存不足、TaskManager突然减少、网络抖动导致的服务连接超时等。我们会依托于Oceanus平台提供的告警能力。我们设计了一套代码层级的告警作为报警独立模块。首先我们通过try catch捕捉Flink Task中的异常，同时这些报警信息会被发送到消息中间件，然后报警信息会在消息中间件中被聚合，为了预防报警疲劳，报警信息会被分级，错误码会被沉淀，然后报警会统一通过企业微信进行通知，正常情况问题可在5min内被解决。

6. 总结

我们在实时和离线对海量日志处理设计方案上的收益可以总结如下：

• 首先，通过大同平台上报，使得上报更加规范化；

• 第二是事件规范化，各个BG之间可以应用同一规范数据，有统一规范的数据格式和命名规则；

• 第三就是数据仓库规范化，包括分层、主题、管理等，使得整体管理更加清晰。

---

03 数据应用举例

1. Flink CDC（Change Data Capture）- DB数据同步技术

这部分，我们通过Flink CDC的DB数据同步技术，进一步举例说明我们的海量数据处理流程。上图是通过Flink CDC进行实时更新维表和实时排行榜更新的设计方案，整体主要包括输入数据源、Flink实时ETL模块、Flink核心计算模块和数据存储模块四部分。Flink内部继承开源组件Debezium和Kafka，CDC技术可以实时捕捉Mysql的增删改，然后将数据同步到下游，同步到多个数据源，然后通过抽取数据库日志的方式完成数据上报。

2. Flink CDC实现方法

Flink CDC实现方式主要有两种：SQL模式和自定义反序列化模式。个人倾向于选择第二种方式，可以更加灵活地实现业务需求。通过实现反序列化相关接口，数据库的变更数据可以通过SourceRecord得到，解析之后的数据可以通过collect进行收集然后传到下游进行消费。

今天的分享就到这里，谢谢大家。
本文首发于微信公众号“DataFunTalk”。