简介:最佳实践,以DLA为例子。DLA致力于帮助客户构建低成本、简单易用、弹性的数据平台,比传统Hadoop至少节约50%的成本。其中DLA Meta支持云上15+种数据数据源(OSS、HDFS、DB、DW)的统一视图,引入多租户、元数据发现,追求边际成本为0,免费提供使用。DLA Lakehouse基于Apache Hudi实现,主要目标是提供高效的湖仓,支持CDC及消息的增量写入,目前这块在加紧产品化中。DLA Serverless Presto是基于Apache PrestoDB研发的,主要是作联邦交互式查询与轻量级ETL。
数据湖当前在国内外是比较热的方案,MarketsandMarkets _(https://www.marketsandmarkets.com/Market-Reports/data-lakes-market-213787749.html)_市场调研显示预计数据湖市场规模在2024年会从2019年的79亿美金增加到201亿美金。一些企业已经构建了本身的云原生数据湖方案,有效解决了业务痛点;还有不少企业在构建或者计划构建本身的数据湖。Gartner 2020年发布的报告显示_(https://www.gartner.com/smarterwithgartner/the-best-ways-to-organize-your-data-structures/)_目前已经有39%的用户在使用数据湖,34%的用户考虑在1年内使用数据湖。随着对象存储等云原生存储技术的成熟,一开始你们会先把结构化、半结构化、图片、视频等数据存储在对象存储中。当须要对这些数据进行分析时,会选择好比Hadoop或者阿里云的云原生数据湖分析服务DLA进行数据处理。对象存储相比部署HDFS在分析性能上面有必定的劣势,目前业界作了普遍的探索和落地。html
Wikipedia上说数据湖是一类存储数据天然/原始格式的系统或存储,一般是对象块或者文件,包括原始系统所产生的原始数据拷贝以及为了各种任务而产生的转换数据,包括来自于关系型数据库中的结构化数据(行和列)、半结构化数据(如CSV、日志、XML、JSON)、非结构化数据(如email、文档、PDF、图像、音频、视频)。算法
从上面能够总结出数据湖具备如下特性:sql
主要包括五个模块:数据库
对象存储相比HDFS为了保证高扩展性,在元数据管理方面选择的是扁平的方式;元数据管理没有维护目录结构,所以能够作到元数据服务的水平扩展,而不像HDFS的NameNode会有单点瓶颈。同时对象存储相比HDFS能够作到免运维,按需进行存储和读取,构建彻底的存储计算分离架构。可是面向分析与计算也带来了一些问题:缓存
上面这些是你们基于对象存储构建数据湖分析方案遇到的典型问题。解决这些问题须要理解对象存储相比传统HDFS的架构区别进行针对性的优化。目前业界作了大量的探索和实践:网络
因为对象存储面向分析场景具备上面的问题,DLA构建了统一的DLA FS层来解决对象存储元信息访问、Rename、读取慢等问题。DLA FS同时支持DLA的Serverless Spark进行ETL读写、DLA Serverless Presto数据交互式查询、Lakehouse入湖建仓数据的高效读取等。面向对象存储OSS的架构优化总体分为四层:架构
下面主要介绍DLA FS面向对象存储OSS的优化技术:并发
在Hadoop生态中使用OutputCommitter接口来保证写入过程的数据一致性,它的原理相似于二阶段提交协议。less
开源Hadoop提供了Hadoop FileSystem的实现来读写OSS文件,它默认使用的OutputCommitter的实现是FileOutputCommitter。为了数据一致性,不让用户看到中间结果,在执行task时先把结果输出到一个临时工做目录,全部task都确认输出完成时,再由driver统一将临时工做目录rename到生产数据路径中去。以下图:运维
因为OSS相比HDFS它的Rename操做十分昂贵,是copy&delete操做,而HDFS则是NameNode上的一个元数据操做。在DLA的分析引擎继续使用开源Hadoop的FileOutputCommitter性能不好,为了解决这个问题,咱们决定在DLA FS中引入OSS Multipart Upload特性来优化写入性能。
阿里云OSS支持Multipart Upload功能,原理是把一个文件分割成多个数据片并发上传,上传完成后,让用户本身选择一个时机调用Multipart Upload的完成接口,将这些数据片合并成原来的文件,以此来提升文件写入OSS的吞吐。因为Multipart Upload能够控制文件对用户可见的时机,因此咱们能够利用它代替rename操做来优化DLA FS在OutputCommitter场景写OSS时的性能。
基于Multipart Upload实现的OutputCommitter,整个算法流程以下图:
利用OSS Multipart Upload,有如下几个好处:
OSS Multipart Upload中控制用户可见性的接口是CompleteMultipartUpload和abortMultipartUpload,这种接口的语义相似于commit/abort。Hadoop FileSystem标准接口没有提供commit/abort这样的语义。
为了解决这个问题,咱们在DLA FS中引入Semi-Transaction层。
前面有提到过,OutputCommitter相似于一个二阶段提交协议,所以咱们能够把这个过程抽象为一个分布式事务。能够理解为Driver开启一个全局事务,各个Executor开启各自的本地事务,当Driver收到全部本地事务完成的信息以后,会提交这个全局事务。
基于这个抽象,咱们引入了一个Semi-Transaction层(咱们没有实现全部的事务语义),其中定义了Transaction等接口。在这个抽象之下,咱们把适配OSS Multipart Upload特性的一致性保证机制封装进去。另外咱们还实现了OSSTransactionalOutputCommitter,它实现了OutputCommitter接口,上层的计算引擎好比Spark经过它和咱们DLA FS的Semi-Transaction层交互,结构以下图:
下面以DLA Serverless Spark的使用来讲明DLA FS的OSSTransactionalOutputCommitter的大致流程:
引入DLA FS的Semi-Transaction,有两个好处:
用户反馈OSS请求费用高,甚至超过了DLA费用(OSS请求费用=请求次数×每万次请求的单价÷10000)。调查发现,是由于开源的OSSFileSystem在读取数据的过程当中,会按照512KB为一个单位进行预读操做。例如,用户若是顺序读一个1MB的文件,会产生两个对OSS的调用:第一个请求读前512KB,第二个请求读后面的512KB。这样的实现就会形成读大文件时请求次数比较多,另外因为预读的数据是缓存在内存里面的,若是同时读取的文件比较多,也会给内存形成一些压力。
所以,在DLA FS的实现中,咱们去掉了预读的操做,用户调用hadoop的read时,底层会向OSS请求读取从当前位置到文件结尾整个范围的数据,而后从OSS返回的流中读取用户须要的数据并返回。这样若是用户是顺序读取,下一个read调用就天然从同一个流中读取数据,不须要发起新的调用,即便顺序读一个很大的文件也只须要一次对OSS的调用就能够完成。
另外,对于小的跳转(seek)操做,DLA FS的实现是从流中读取出要跳过的数据并丢弃,这样也不须要产生新的调用,只有大的跳转才会关闭当前的流而且产生一个新的调用(这是由于大的跳转读取-丢弃会致使seek的延时变大)。这样的实现保证了DLA FS的优化在ORC/Parquet等文件格式上面也会有减小调用次数的效果。
基于对象存储OSS的存储计算分离的架构,经过网络从远端存储读取数据仍然是一个代价较大的操做,每每会带来性能的损耗。云原生数据湖分析DLA FS中引入了本地缓存机制,将热数据缓存在本地磁盘,拉近数据和计算的距离,减小从远端读取数据带来的延时和IO限制,实现更小的查询延时和更高的吞吐。
咱们把缓存的处理逻辑封装在DLA FS中。若是要读取的数据存在于缓存中,会直接从本地缓存返回,不须要从OSS拉取数据。若是数据不在缓存中,会直接从OSS读取同时异步缓存到本地磁盘。
这里以DLA Serverless Presto来讲明如何提升DLA FS的local Cache的命中率提升。Presto默认的split提交策略是NO\_PREFERENCE,在这种策略下面,主要考虑的因素是worker的负载,所以某个split会被分到哪一个worker上面很大程度上是随机的。在DLA Presto中,咱们使用SOFT\_AFFINITY提交策略。在提交Hive的split时,会经过计算split的hash值,尽量将同一个split提交到同一个worker上面,从而提升Cache的命中率。
使用\_SOFT\_AFFINITY\_策略时,split的提交策略是这样的:
客户在使用DLA过程当中,一般使用DLA Serverless Spark作大规模数据的ETL。咱们用TPC-H 100G数据集中的orders表进行写入测试,新建一个以o\_ordermonth字段为分区的orders\_test表。在Spark中执行sql:"insert overwrite table \`tpc\_h\_test\`.\`orders\_test\` select * from \`tpc\_h\_test\`.\`orders\`"。使用一样的资源配置,使用的Spark版本一个为开源Spark,另一个为DLA Serverless Spark,将它们的结果进行对比。
从图中能够得出:
DLA客户会使用DLA的Serverless Presto对多种格式进行分析,好比Text、ORC、Parquet等。下面对比基于DLA FS以及社区OSSFS在1GB Text及ORC格式的访问请求次数。
1GB Text文件分析的请求次数对比
咱们针对社区版本prestodb和DLA作了性能对比测试。社区版本咱们选择了prestodb 0.228版本,并经过复制jar包以及修改配置的方式增长对oss数据源的支持。咱们对DLA Presto CU版512核2048GB通社区版本集群进行了对比。
测试的查询咱们选择TPC-H 1TB数据测试集。因为TPC-H的大部分查询并非IO密集型的,因此咱们只从中挑选出符合以下两个标准的查询来作比较:
按照这两个标准,咱们选择了对lineitem单个表进行查询的Q1和Q6,以及lineitem和另外一个表进行join操做的Q四、Q十二、Q1四、Q1五、Q1七、Q19和Q20。
能够看到Cache加速能管理在这几个query都有明显的效果。
最佳实践,以DLA为例子。DLA致力于帮助客户构建低成本、简单易用、弹性的数据平台,比传统Hadoop至少节约50%的成本。其中DLA Meta支持云上15+种数据数据源(OSS、HDFS、DB、DW)的统一视图,引入多租户、元数据发现,追求边际成本为0,免费提供使用。DLA Lakehouse基于Apache Hudi实现,主要目标是提供高效的湖仓,支持CDC及消息的增量写入,目前这块在加紧产品化中。DLA Serverless Presto是基于Apache PrestoDB研发的,主要是作联邦交互式查询与轻量级ETL。DLA支持Spark主要是为在湖上作大规模的ETL,并支持流计算、机器学习;比传统自建Spark有着300%的性价比提高,从ECS自建Spark或者Hive批处理迁移到DLA Spark能够节约50%的成本。基于DLA的一体化数据处理方案,能够支持BI报表、数据大屏、数据挖掘、机器学习、IOT分析、数据科学等多种业务场景。
本文内容由阿里云实名注册用户自发贡献,版权归原做者全部,阿里云开发者社区不拥有其著做权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。若是您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将马上删除涉嫌侵权内容。