玩转大数据开发工具--上下全篇

为了降低大数据应用开发的门槛，简化开发过程，星环随Transwarp Data Hub 5.0开发出了大数据开发套件Transwarp Studio。Studio由一套PaaS产品构成，提供从提取、存储、计算、展示的全链路大数据开发服务，全面覆盖大数据开发流水线上的各项环节，为开发人员带来流畅的数据分析体验。

随着TDH 5.1的发布与性能提升，Studio各个产品也获得了核心性的改进和升级，并扩大了家族成员，发展进入一个新的阶段。

多维度分析引擎 Rubik

Rubik作为Studio中的多维度分析引擎，用于OLAP Cube的设计与实例化，帮助实现高并发的百亿行规模高维度SQL交互分析，对海量数据分析实现秒级甚至毫秒级的响应。Rubik 5.1在原有版本上得到了多方面的增进，对六个关键模块做了提升和丰富，在效率与应用性上得到成长。

图1 Rubik Cube设计界面

增量构建

当新增数据进入系统后，在进行Cube模型实例化时，Rubik不再对数据做全量构建，而是基于原基础对新增部分做增量构建。Rubik的使用灵活性大幅提升，支持插入旧数据，以及向主表或码表插入数据，同时通过完善增量合并机制，对增量数据立方体做有效的自动管理，在修改历史数据的场景中也能够快速更新模型实例，保证Cube模型的准确性和时效性。

新增降维优化策略

Rubik以原有的聚合组、联合维度、衍生维度、层次维度、部分维度降维手段为基础，新增必备维度和互斥维度两种策略。其中必备维度是总会在查询中用到的一组维度，互斥维度指总是不可能一起出现的一组维度。通过结合各维度间的维度关系以及维度自身特征，Rubik会在Cube模型预计算时，减少建模时实际的维度组合，缩减建模时间与空间占用。

更多的度量分析函数

Rubik将支持的度量分析函数增加到10余个，可以在建模时实现更加丰富的函数分析。其中，增加的函数包括percentile的计算函数，以及精确重写和误差重写两种SELECT DISTINCT方式：精确重写的预计算速度和存储代价的较大，但是结果精确；误差重写的预计算和存储代价小，却影响精确度，但用户可以自主决定相对标准差的大小。

更有效的工作流控制

在数据量规模极大的情况下，Cube模型构建时间较长，存在失败风险。因此从5.1开始，Rubik将对接Workflow，获得更方便的调度和风险管控，以及实现任务重试、推迟构建、调整构建优先级等更丰富的功能。

模型导入导出

Rubik允许用户将Cube模型以JSON文本的方式导入导出平台，做半自动化的计算构建，同时支持跨集群的团队协助，方便远程诊断。

精细的权限控制

Rubik 5.1同安全管控产品Guardian进行无缝对接，实现赋权操作，用户可以在Guardian页面上对Rubik相关权限进行操作。Guardian为Rubik提供精细的权限控制，分别以域、项目、数据立方体划分权限级别，保证权限管理的灵活度。

目前，Rubik在金融行业的实际的落地项目中，能够灵活自如的应对报表查询和多维分析的需求，创造极速的高维度分析，同时带来良好的用户开发体验。

基于Web的报表工具

Transwarp Pilot是在5.1中新加入Transwarp Studio家庭的成员。作为轻量的自助式分析BI工具，Pilot克服了传统BI工具的缺陷，提供智能的分析体验，不论是对于可视化报表展现的丰富度，还是对于处理性能，都有极致的表现。

图2 Pilot报表界面

Pilot覆盖了用户对于报表工具的多项关键性需求，可应用于多种行业领域。

轻量

Pilot作为基于Web的报表展现工具，轻量、灵活，可以快速部署，允许用户在任意移动终端上访问，随时随地用报表展现目标业务数据。Pilot将加速笨重的传统BI工具成为历史产品。

丰富的展现

Pilot提供几十种报表样式，支持时序数据，支持数据预览。能够快速构建报表，满足用户多种分析需求，使得商业智能得以以更加丰富的表现形式表展现。

图3 Pilot支持的图表类型

极速分析

Pilot充分利用Inceptor分布式引擎加速自助分析，借助列式存储以及OLAP模型对多维分析的加速能力，提供秒级报表生成和语句分析响应速度。帮助业务人员有效把握时间，适应市场的快速变化。

自助SQL IDE

Pilot内置SQL IDE，对接Inceptor调试执行SQL语句。使SQL语句的调试执行与结果集的图表生成一气呵成。

交互式分析体验

Pilot通过拖拽式界面支持自助的仪表盘布局设计，用户可将相关报表组合在同一仪表盘，任意放大缩小报表尺寸，并通过过滤器聚焦关注内容。通过Pilot，用户可以对报表进行有效的观察和比对，了解趋势发现问题，实现多种数据分析需求。

HDFS文件管理

内置HDFS文件系统管理模块，提供HDFS目录浏览，并以可视化的方式取代命令行方式实现HDFS文件上传，实现便捷的HDFS文件管理。

支持多种数据源

Pilot可支持多种数据源，包括文件、Inceptor以及Oracle、MySQL等关系数据库。

目前，Pilot在某一网站分析的实际落地案例中，有效的为内部分析人员提供对访问者以及阅读量情况的精确、多样化的报表分析，帮助站运营人员实现网站内容管理的调整和优化。

下篇预告

Studio 5.1以“好用”为目标，将功能提升点围绕在加深工具的产品化，着力于实现更高生产力。下一篇中我们将继续介绍Studio 5.1的另外几个产品的新特性，其中包括图形化的ETL工具Transporter，功能越发强大的工作流引擎Workflow，以及新引入的日志存储和分析工具Milano。

玩转大数据开发套件--下篇

接下来将继续介绍Studio 5.1中的三个工具：高吞吐低延迟的日志存储分析工具Milano、界面化的全新数据流同步工具Transporter、以及功能再升级的工作流引擎Workflow。

日志存储分析 Milano

Milano是Studio家族的第六个新成员，提供集群日志分析服务，既可以用于TDH平台日志分析，也可以直接作为客户应用的日志处理平台使用。Milano采用Filebeat+Kafka+Logtash+Elasticsearch+Kibana的架构，为用户提供便利的接口实现日志检索和统计分析，以及基于日志的预警功能，克服了传统方式在大规模集群中做高级统计分析的障碍，并实现可视化的监测。

Milano提供优秀的吞吐量性能，以及低延迟的响应；保证水平可扩展，且不丢数据；同时提供可靠的安全保护，谨防系统日志的泄漏。因此，其技术优势可以总结为以下三点：全链路高吞吐、全链路安全管控、全链路高可用。

全链路高吞吐

Milano的构成组件之中的Kafka和Elasticsearch本身具备高吞吐可扩展特性，可以根据压力灵活扩展。Milano单节点的每秒日志收集量可达15000条，3节点的Milano监控集群日志量每日收集可以达到10亿条。同时，Milano保障低延迟的入库，从日志产生到入库仅需10秒内的时间间隔。

全链路安全管控

Milano在日志收集、传输、分析等各个环节上实现安全管控。Kafka和Elasticsearch的数据通信都经过Kerberos加密，保障数据在传输过程的安全性。每个租户的数据只允许进入授权的Kafka Topic或Elasticsearch Index，使各个租户日志之间相互隔离，确保数据隐私。此外，对于可视化的监控界面Kibana，每个用户都拥有自己的Kibana实例，通过LDAP实现安全认证。

全链路高可用

Milano的高可用性通过以下两方面保证。首先，Kafka、Elasticsearch自身提供高可用保证，其他无状态的组件通过Kubernetes多实例部署的方式保证高可用。其次，Kafka、Elasticsearch、Filebeat等服务自身都提供状态监控，配合告警服务，可保证数据高可用，以及数据不丢不重。

数据流同步 Transporter

Transporter是一款数据流控制工具，用于控制数据在数据源之间的流转和同步。Transporter随TDH 5.0推出，但当时采用文件定义和命令的方式实现数据流转的设计和实现，对于没有技术基础的用户比较难上手。因此我们投入Transporter界面化的工作，使之在5.1中正式上线。

Transporter 5.1以图形化操作取代配置文件编写，极大提升数仓构建效率。Transporter基于Web提供数据流设计和控制，允许用户自助设计数据流转的业务规则，提供数据实时同步、ETL、卸数功能。

近实时同步

Transporter可对接Oracle GoldenGate、DataStage等ETL工具，并近实时的将数据同步进Inceptor；支持读取MySQL和TxSQL日志，并近实时同步到数据仓库，同时支持分Shard模式的日志同步；提供分钟级的数据同步方案。

图形化ETL

Transporter允许用户在设计面板上通过拖拽图形化控件和配置参数，将数据源和各种数据转换操作定义在数据流转流程中。同时支持丰富的数据源，除了可以对接Inceptor外，还支持外部数据源JDBC、CSV文本和定宽文件。

卸数功能

Transporter提供从Inceptor卸数的服务，将数据以CSV文件格式导出并存放在HDFS上。

工作流设计 Workflow

Workflow作为工作流引擎，使工作流的触发与执行被自动化，大幅简化工作流调度设计与管理工作，图形化的设计方式让作业任务之间的逻辑关系更清晰，业务人员可以快速上手。Workflow在Studio 5.1中得到进一步升级，设计界面更丰富，主要的提升点有：增加工作组概念、界面化调度周期设置、丰富监控页面内容。

新增工作组

Workflow 5.1增加了工作组的概念，支持将任务以组为单位进行组合设计，实现调度和监控。工作组提高了工作流设计的逻辑性，使工作流管理更方便。

调度周期

Workflow 5.1开始实现交互式的表达式设计页面，用于配置调度周期，并提供多周期的调度支持。

升级的监控页面

Workflow 5.1在监控页面上新增一级子页面，提供更多的工作流监控历史信息。同时，在工作流监控页的详情页面中，用户可以查看某段指定时间区间的工作流任务执行详情。

结语

大数据开发套件的价值在于，它可以切合大数据开发需求，消除大数据开发工具在用户体验上的痛点，让大数据产品就像日常工具一样，不论我们是否懂它内部的技术原理，拿到它或者经过简单的学习就可以上手使用。今后我们会继续投入提升Transwarp Studio的各项能力，构建完善的大数据生态体系，使用户能够自主打造自己的大数据应用。。