美圖離線ETL實踐

美圖收集的日誌需要通過 ETL 程式清洗、規整，並持久化地落地於 HDFS / Hive，便於後續的統一分析處理。

什麼是 ETL？

ETL 即 Extract-Transform-Load，用來描述將資料從來源端經過抽取（extract）、轉換（transform）、載入（load）至目的端的過程。ETL 一詞較常用在資料倉儲，但其物件並不限於資料倉儲。

在美圖特有的業務環境下，ETL 需要做到以下需求：

1.大資料量、高效地清洗落地。美圖業務繁多、使用者基數大、資料量龐大，除此之外業務方希望資料採集後就能快速地查詢到資料。

2.靈活配置、滿足多種資料格式。由於不斷有新業務接入，當有新業務方資料接入時要做到靈活通用、增加一個配置資訊就可以對新業務資料進行清洗落地；同時每個業務方的資料格式各式各樣，ETL 需要相容多種通用資料格式，以滿足不同業務的需求（如 json、avro、DelimiterText 等）。

3.約束、規範。需要滿足資料庫倉庫規範，資料按不同層（STG 層、ODS 層等）、不同庫（default.db、meipai.db 等）、不同分割槽（必須指定時間分割槽）落地。

4.容錯性。考慮業務日誌採集可能存在一定的髒資料，需要在達到特定的閾值時進行告警；並且可能出現 Hadoop 叢集故障、Kafka 故障等各種狀況，因此需要支援資料重跑恢復。

ETL 有兩種形式：實時流 ETL 和 離線 ETL。

如下圖所示，實時流 ETL 通常有兩種形式：一種是通過 Flume 採集服務端日誌，再通過 HDFS 直接落地；另一種是先把資料採集到 Kafka，再通過 Storm 或 Spark streaming 落地 HDFS，實時流 ETL 在出現故障的時候很難進行回放恢復。美圖目前僅使用實時流 ETL 進行資料注入和清洗的工作。

根據 Lambda 結構，如果實時流 ETL 出現故障需要離線 ETL 進行修補。離線 ETL 是從 Kafka拉取訊息，經過 ETL 再從 HDFS 落地。為了提高實時性及減輕資料壓力，離線 ETL 是每小時 05 分排程，清洗上一個小時的資料。為了減輕 HDFS NameNode 的壓力、減少小檔案，日期分割槽下同個 topic&partition 的資料是 append 追加到同一個日誌檔案。

離線 ETL 的架構設計及實現原理

離線 ETL 採用 MapReduce 框架處理清洗不同業務的資料，主要是採用了分而治之的思想，能夠水平擴充套件資料清洗的能力；

如上圖所示，離線 ETL 分為三個模組：

• Input（InputFormat）：主要對資料來源（Kafka 資料）進行解析分片，按照一定策略分配到不同的 Map 程式處理；建立 RecordReader，用於對分片資料讀取解析，生成 key-value 傳送給下游處理。

• Map（Mapper）：對 key-value 資料進行加工處理。

• Output (OutputFormat）：建立 RecordWriter 將處理過的 key-value 資料按照庫、表、分割槽落地；最後在 commit 階段檢測訊息處理的完整性。

離線 ETL 工作流程

上圖是離線 ETL 的基本工作流程：

1.kafka-etl 將業務資料清洗過程中的公共配置資訊抽象成一個 etl schema ，代表各個業務不同的資料；

2.在 kafka-etl 啟動時會從 zookeeper 拉取本次要處理的業務資料 topic&schema 資訊；

3.kafka-etl 將每個業務資料按 topic、partition 獲取的本次要消費的 offset 資料（beginOffset、endOffset），並持久化 mysql；

4.kafka-etl 將本次需要處理的 topic&partition 的 offset 資訊抽象成 kafkaEvent，然後將這些 kafkaEvent 按照一定策略分片，即每個 mapper 處理一部分 kafkaEvent；

5.RecordReader 會消費這些 offset 資訊，解析 decode 成一個個 key-value 資料，傳給下游清洗處理；

6.清洗後的 key-value 統一通過 RecordWriter 資料落地 HDFS。

離線 ETL 的模組實現

資料分片（Split）

我們從 kafka 獲取當前 topic&partition 最大的 offset 以及上次消費的截止 offset ，組成本次要消費的[beginOffset、endOffset]kafkaEvent，kafkaEvent 會打散到各個 Mapper 進行處理，最終這些 offset 資訊持久化到 mysql 表中。

那麼如何保證資料不傾斜呢？首先通過配置自定義 mapper 個數，並建立對應個數的 ETLSplit。由於 kafkaEevent 包含了單個 topic&partition 之前消費的 Offset 以及將要消費的最大 Offset，即可獲得每個 kafkaEvent 需要消費的訊息總量。最後遍歷所有的 kafkaEevent，將當前 kafkaEevent 加入當前最小的 ETLSplit（通過比較需要消費的資料量總和，即可得出），通過這樣生成的 ETLSplit 能儘量保證資料均衡。

資料解析清洗（Read）

如上圖所示，首先每個分片會有對應的 RecordReader 去解析，RecordReade 內包含多個 KafkaConsumerReader ，就是對每個 KafkaEevent 進行消費。每個 KafkaEevent 會對應一個 KafkaConsumer，拉取了位元組資料訊息之後需要對此進行 decode 反序列化，此時就涉及到 MessageDecoder 的結構。MessageDecoder 目前支援三種格式：

MessageDecoder 接收到 Kafka 的 key 和 value 時會對它們進行反序列化，最後生成 ETLKey 和 ETLValue。同時 MessageDecoder 內包含了 Injector，它主要做了如下事情：

• 注入 Aid：針對 arachnia agent 採集的日誌資料，解析 KafkaKey 注入日誌唯一標識 Aid;

• 注入 GeoIP 資訊：根據 GeoIP 解析 ip 資訊注入地理資訊（如 country_id、province_id、city_id）；

• 注入 SdkDeviceInfo: 本身實時流 ETL 會做注入 gid、is_app_new 等資訊，但是離線 ETL 檢測這些資訊是否完整，做進一步保障。

過程中還有涉及到 DebugFilter，它將 SDK 除錯裝置的日誌過濾，不落地到 HDFS。

多檔案落地（Write）

由於 MapReduce 本身的 RecordWriter 不支援單個落地多個檔案，需要進行特殊處理，並且 HDFS 檔案是不支援多個程式（執行緒）writer、append，於是我們將 KafkaKey+ 業務分割槽+ 時間分割槽 + Kafka partition 定義一個唯一的檔案，每個檔案都是會到帶上 kafka partition 資訊。同時對每個檔案建立一個 RecordWriter。

如上圖所示，每個 RecordWriter 包含多個 Writer ，每個 Writer 對應一個檔案，這樣可以避免同一個檔案多執行緒讀寫。目前是通過 guava cache 維護 writer 的數量，如果 writer 太多或者太長時間沒有寫訪問就會觸發 close 動作，待下批有對應目錄的 kafka 訊息在建立 writer 進行 append 操作。這樣我們可以做到在同一個 map 內對多個檔案進行寫入追加。

檢測資料消費完整性 (Commit)

MapReduce Counter 為提供我們一個視窗，觀察統計 MapReduce job 執行期的各種細節資料。並且它自帶了許多預設 Counter，可以檢測資料是否完整消費：

reader_records: 解析成功的訊息條數；

decode_records_error: 解析失敗的訊息條數；

writer_records: 寫入成功的訊息條數；

...

最後通過本次要消費 topic offset 數量、reader_records 以及 writer_records 數量是否一致，來確認訊息消費是否完整。

*允許一定比例的髒資料，若超出限度會生成簡訊告警

ETL 系統核心特徵

資料補跑及其優化

ETL 是如何實現資料補跑以及優化的呢？首先了解一下需要重跑的場景：

*當使用者呼叫 application kill 時會經歷三個階段：1) kill SIGTERM（-15） pid；2) Sleep for 250ms；3）kill SIGKILL（-9） pid 。

那麼有哪些重跑的方式呢？

如下圖所示是第三種重跑方式的整體流程，ETL 是按照小時排程的，首先將資料按小時寫到臨時目錄中，如果消費失敗會告警通知並重跑消費當前小時。如果落地成功則合併到倉庫目錄的目標檔案，合併失敗同樣會告警通知並人工重跑，將小檔案合併成目標檔案。

優化後的重跑情況分析如下表所示：

自動水平擴充套件

現在離線 Kafka-ETL 是每小時 05 分排程，每次排程的 ETL 都會獲取每個 topic&partition 當前最新、最大的 latest offset，同時與上個小時消費的截止 offset 組合成本地要消費的 kafkaEvent。由於每次獲取的 latest offset 是不可控的，有些情況下某些 topic&partition 的訊息 offset 增長非常快，同時 kafka topic 的 partition 數量來不及調整，導致 ETL 消費處理延遲，影響下游的業務處理流程：

• 由於擴容、故障等原因需要補採集漏採集的資料或者歷史資料，這種情況下 topic&&partition 的訊息 offset 增長非常快，僅僅依賴 kafka topic partiton 擴容是不靠譜的，補採集完後面還得刪除擴容的 partition；

• 週末高峰、節假日、6.18、雙十一等使用者流量高峰期，收集的使用者行為資料會比平時翻幾倍、幾十倍，但是同樣遇到來不及擴容 topic partition 個數、擴容後需要縮容的情況；

Kafka ETL 是否能自動水平擴充套件不強依賴於 kafka topic partition 的個數。如果某個 topic kafkaEvent 需要處理的資料過大，評估在合理時間範圍單個 mapper 能消費的最大的條數，再將 kafkaEvent 水平拆分成多個子 kafkaEvent，並分配到各個 mapper 中處理，這樣就避免單個 mapper 單次需要處理過大 kafkaEvent 而導致延遲，提高水平擴充套件能力。拆分的邏輯如下圖所示：

後續我們將針對以下兩點進行自動水平擴充套件的優化：

• 如果單個 mapper 處理的總訊息資料比較大，將考慮擴容 mapper 個數並生成分片 split 進行負載均衡。

• 每種格式的訊息處理速度不一樣，分配時可能出現一些 mapper 負擔比較重，將給每個格式配置一定的權重，根據訊息條數、權重等結合一起分配 kafkaEvent。