先把上一章已经讲过的架构图再贴一次：

从架构图中可以看出，在我们整个数据架构中，需要做的事情很多。随着数据的流向，从下到上，主要分三层：

1. 第一层是数据收集层，负责基础数据的收集工作；

2. 第二层是数据存储与处理层，负责数据存储、对数据进行深度处理、转换及价值的挖掘等；

3. 最上层是应用层，基于下面的数据处理，进行价值转换；还有贯穿整个过程的监控以及任务调度相关的工作。

第一层中，主要有四个数据来源：用户行为埋点上报数据、服务日志的数据、后端的业务数据、互联网的公开数据。

第二层中，我们主要的核心框架是Hadoop的核心生态，基于HDFS的存储(本质上hive的存储也是基于HDFS)，以及基于Spark部分实时处理的需求场景，主要是平台级的架构。当然，至于说具体的处理以及数据的加工、挖掘详细数据业务，后续其它章节再详述。

第三层中，我们直接面向的是业务方。一方面是数据生态中最基础最常见的的数据智能商业化分析，我们以excel封装成邮件日报周报的形式提供。另一方面是平台化的BI系统，以及高度自助性的数据自助查询系统。

在深度挖掘方面，推荐是一个大方向，基于数据的当代搜索也是数据生态的重要组成部分，同时还有业务画像、用户画像(绝对核心价值所在)等。除了以上这些，还有一些基于数据的推送服务、榜单数据、精准营销系统等，都是数据进一步有效应用，以及数据化价值的直接体现。

收回话题，在时间、人力有限，并且基础是0的前提下，事情解决的顺序就显得尤为重要了。
 

想要使用数据，前提是有数据。所以，我们第一个需要解决的问题是数据源，核心的驱动价值因素是我们的业务需求。

我们第一个业务需求就是从数据上洞察产品的运营效果，电商的各种数据运营需求，指导内容数据化运营、电商数据化运营以及通过数据改进产品。

跟业务强相关的基础数据是产品的业务数据库，这个是现成的，只要打通数据流通即可。与用户行为强相关的则是最直接的用户行为埋点上报数据，以及用户使用服务，在应用服务中留下的访问LOG。

基于服务日志LOG解析数据，一方面如果需要从服务LOG中清洗出有用数据，前提是服务中已经有意识的进行相关信息的LOG落地，这一点，很遗憾，当时并没有这个前瞻性。其次，从服务LOG中清洗数据的代价略高，且信息量有限。所以，在这个阶段中，我们并没有打算直接从服务LOG中清洗数据，因为在服务LOG中埋入数据收集点位，也是一个巨大的改造工程，但效果并不一定好。

我们将最快限度地打通业务数据库与数据中心的通道，然后以最快速度的对业务方提供可参考性的数据化日报。打通行为数据到数据应用的链路，结合用户行为数据，进一步优化数据化运营体系，以及为产品优化迭代提供数据支撑。构造最基础的数据中心平台，打通数据收集到数据分析应用的链路，为业务方、决策层提供数据化运营决策方案，为产品迭代提供最真实的数据反馈支撑。

这是我们数据部门第一个战略目标，像深度挖掘、推荐系统这些在这时通通不要想太多，饭需要一口一口的吃！

当有一个大目标时，我们需要把目标进行拆分，进一步拆分为阶段可实施、成果可见的阶段性目标，在这里同样适用。

并且，记住，你的老板是不懂技术的，他才不会管你的平台又建设到什么程度，集群又搭建了多少台，他只会问，这都一两个月了，你们数据怎么还没有给公司带来价值啊？！(哈哈，有点黑BOSS的感觉了)

不过这肯定是现实，不同位置上的人关注的核心重点不一样。可能你需要关注整体的进度，而业务层只关心你的产出给他带来什么帮助。是的，拆解大目标有利于我们快速入手启动项目；成果阶段化，更具有鼓励性，成就感；最后就是阶段性目标的实现情况更容易量化你的效率。

从人力的需求评估角度上说，也是有道理的，只有随着你的体系一步一步完善，你才知道哪个环节真正的缺人，缺什么人，这点很关键。不过最本质的问题，还是投入与产出比。

我们在做任何一件事情的时候，都需要注意投入与产出的比例，在一定的时间段内、投入一定的精力、产出一定比例的成果。有这种价值观，处理事务才更有效率！

想要打通数据收集到数据分析业务的输出链路，那么你需要一个数据平台进行支撑，甚至后续你将持续开挖的数据核心价值，这些都是基于平台做的。

所以我们需要一个数据平台，而说到平台，则机器资源是绕不过去的一个问题。那么，如何去评估你的集群需要多少台机器呢？每个机器又是以一个什么样的角色存在的呢？

在评估之前，你首先应清楚了解到平台上需要承载的业务，包括内部的处理业务以及对外暴露的数据业务。其次，你需要考虑后续的可扩展性，即后续数据量上涨的情况下，机器的横向扩展当然是没有问题的，但部分角色机器的资源需求是在纵向。

举个简单例子，Hadoop的datanode可以在横向上进行扩展，但是Namenode的资源需求则无法做到。

至于说如何进行机器资源评估，在了解自身业务需求的前提下，这里所说的业务需求，不单纯是业务范围，也意味着业务范围承载的数据量是什么情况。在了解自身数据量的情况下，多查找其他公司的案例，与其他同行多交流沟通，借鉴其它公司的数据量与集群规模，来评估自身所需要的机器资源。需要注意一点的是，对于电商行业，经常会出现节日性、活动性质的流量暴涨。

所以，你的机器资源一定是需要考虑这些实际场景负载的或对于这种场景，若你有其它的方案进行处理也OK。

上面说到第二个重点，那就是用户行为数据的上报。

了解数据上报以及埋点相关逻辑的朋友应该清楚，其实所谓的SDK，其本质也是一个接受数据上报的服务。直接往上报服务中丢数据，跟封装成工具SDK，本质的意义是一样的，我们需要提供一个对外的数据上报服务。上报什么数据，数据以什么格式上报，这个在下一章的“数据上报体系”部分详细阐述，这里只是对上报服务这块进行讲解。

那这意味着，我们需要为客户端或者H5的童鞋提供一个统一的上报服务接口，让他们在用户特定行为操作的时候。比如浏览了某个页面，操作了某个按钮等之类的操作，进行这种信息的收集统一上报。说白了，封装用户的行为数据，在适当时候调我们的接口，把用户的行为数据给我传过来。

那这看似就是一个后台服务，用于处理上报过来的数据。但是请注意，不管你是一个服务也好，伪服务也好，一般情况下绝不会直接把获取到的数据直接落地的，这是传统的思维路子。

要知道上报的业务流量是很大的，特别是你的点位足够丰满的情况下，在流量高峰期，你要是敢直接进行数据落地，它就敢直接把你的服务给搞死。一所以一般情况下，我们都会把数据丢给缓存，以解耦上报与落地两端的压力。

既然如此，在人力资源有限、项目时间有限的前提下，为何要花这么大的精力去维护一个服务呢？于是，有了伪服务设想。

我们直接使用Nginx对外伪装成一个Web服务，提供Restful API，但我们不对上报的内容做任何处理，直接落地成Nginx的日志，再通过Flume对日志进行监控，丢到Kafka中。这样我们就迅速地搭建起一个上报“服务”，提供给客户端童鞋以及H5的童鞋，制定好数据上报的规范，然后就可以坐等数据过来了。

关于数据的合理性校验、规范性校验、有效性校验、以及进一步的解析，我们都放到Spark Streaming这一层去做。其实当时也是调研过lua的，在Nginx这一层也是可以做到数据完整性以及有效性校验的，但为了不至于给Nginx端带来过大的负荷，我们把复杂的逻辑处理放到后端。

基于这种伪服务的设计，还有一个好处就是，即使后端链路出现故障，但我的原始数据是落到LOG中的，只要我进行数据的回溯，再通过LOG清洗出异常的部分就行了。这也是我们后续实时数据容错的核心依据所在，所以，重点推荐。

紧接上面的上报，我们在后端一层使用Spark Streaming做数据校验、进一步清洗的。

如果业务对于实时性要求不高，我们完全是不必要做数据的实时链路，只需要周期性地把Nginx中的上报日志进行批量清洗入库即可。但是，一方面基于部分对实时性稍高(其实也不高，分钟级别)，例如电商活动期间对数据的实时监控；另一方面来说，实时性的数据上报链路是最终的目标，为了业务的时效性，迟早是需要做的。

由于我们需要在后端的处理环节中，对数据的有效性、规范性做校验，并且做进一步的属性解析，例如通过IP解析地理位置之类的，因此承载的业务逻辑还是蛮复杂的。

所以，我们打算引入一个实时处理框架来做这件事。关于实时框架这块，我想，熟悉的朋友都会想到两个：Storm与Spark Streaming。在这里跟大家分享我之前翻译过的一篇文章《Storm与Spark Streaming的对比》。（英文原文：http://xinhstechblog.blogspot.com/2014/06/storm-vs-spark-streaming-side-by-side.html）

数据处理模型、数据延迟性

虽然这两种框架都提供了系统的可扩展性和可容错性，但是它们的数据处理模型从根本上说是不一样的，处理模型则决定了它们的实时性。

Storm可以实现真正流式实时的处理数据，例如每次处理一条消息，这样延迟就可以控制在秒级以下，实时性很高。而Spark Streaming的本质还是批量处理，只是这个批量是微批量，在短的时间窗口内进行数据实时处理，通常延迟在秒级左右，实时性相对较弱。
 

在数据容错能力方面，SparkStreaming做的比Storm好一些，它的容错是通过状态记录去实现的。(译者注：熟悉spark的童鞋都知道，spark会将所有的处理过程状态都以log的形式记录下来，即血统，出现错误的时候，可以根据血统进行数据的恢复)

而Storm则不一样，Storm对每一条数据进行处理标记，从而进行跟踪数据的处理情况，它只能保证每条数据被处理一次，但实际情况是，在发生错误时，这条数据是被处理多次的。

这意味着，更新多次时可能会导致数据不正确。

而Spark的批处理特点，能够保证每个批处理的所有数据只处理一次，保证数据不会在恢复的时候错乱(批处理重新执行)。

Storm提供的Trident库虽然能够保证在数据容错时只被处理一次，但它很大程度上依赖于事务的状态更新，并且这个过程相对较慢，更甚者，这个过程是需要用户自己去实现。（译者注：Spark的数据安全性是毋庸置疑的，虽然当年Storm能够从多个开源实时处理框架中脱颖而出，ack/faild机制的功劳巨大，但是跟Spark比，数据容错能力还是差了一筹）

所以，如果你的业务场景对实时性要求比较高，同样对数据容错也有所要求，那么Storm将是一个很好的选择。当然，如果你希望对每次实时处理的过程进行掌控，那么Spark Streaming提供的状态记录会清楚地描述出数据处理的过程，并且数据的容错能力也很不错。

假如你想深入源码中研究，你需要清楚的是：Storm是由Clojure编写的，而Spark Streaming则是Scala。

Storm是由BackType和Twitter开发的，而Spark Streaming则是由UC Berkeley开发的。

在语言支持上，Storm提供了Java API，同时也支持多语言。（译者注：在多语言的支持上，虽然支持，但是通常除了Clojure、Java、Python等几种语言，其它语言进行开发还是很困难的，最常用应该是Java）Spark Streaming支持Scala、Java、Python等几种语言。

（译者注：这点是针对于Spark Streaming来说的）

Spark Streaming一个很大的优势就是，它是基于Spark框架上做的，这样的话，熟悉Spark操作的人就能很轻松的像进行其它批处理操作一样，进行操作Spark Streaming。这意味着你不用进行额外的编写处理代码，更为便捷。

Storm开源得比较早，自2011年起，推特就在使用Storm了，其后更多的公司使用它。而Spark Streaming是一个比较新的项目，在2013年的时候，仅仅被Sharethrough使用（据作者了解）。

Storm是Hortonworks Hadoop数据平台中的数据流式处理的解决方案，而Spark Streaming出现在MapR的分布式平台和Cloudera的企业数据平台中。

此外，Databricks公司还专门为Spark提供技术支持，当然，其中也包括了Spark Streaming。

最后在依赖框架来说，Storm可以在Mesos上运行, 而Spark Streaming可以在YARN和Mesos上运行。

Storm比Spark Streaming更有实际应用的优势，但Spark有专门的公司维护它并且提供技术支持，包括它与Yarn的结合等。

其实Storm在处理领域上还是有一定的差异的，Storm比较擅长实时性较高的数据处理，而Spark Streaming则偏向于内存处理(注意严格来说内存处理跟流式处理并不是完全一样的)。

在数据安全性方面，不作过多的评论，数据安全Storm虽然没有Spark streaming强大，但从目前来看已经够用了，要知道很多业务数据在这种场合下是允许丢失部分数据的。

关键点在于资源的管理，虽然最近发布的Storm 0.10.0-beta号称在资源管理上已经做了不小的优化，但在个人看来还远远不够。Spark Streaming依赖于Spark的环境，而Spark在Hadoop2.0时代以后，资源管理方面得到了巨大的提升，这侧面的衍生了大量类似Yarn的组件。

虽然Storm也可以运行在Yarn上，但目前并没有一个很稳定可用于生产环境的开源版本。所以，在资源管理方面storm还有很长的一段路要走。

在两者的选择上，从当前实际应用看，Storm已经越来越多的生产实例了，而Spark Streaming更多还处于预研或者试用阶段。

相对来说，在流式处理上，Storm有着不可比拟的优势，而在大批量内存处理的方面，则是Spark Streaming占着不小的优势。

所以具体使用方面，一般情况下Storm足够了，而Spark Streaming的话，慎用，毕竟任何开源的稳定性以及其价值，都是需要时间来检验的。

总之，Storm与Spark Streaming最本质的区分在于，Storm是真正实时处理，而Spark Streaming的处理本质则是微批处理。所以Storm能够将实时业务达到毫秒级，而Spark Streaming虽然也能达到亚秒级，但对于效率的影响会比较大，所以一般会用于秒级的数据处理。

目前就我们自身的业务需求来说，对于实时性并没有高到毫秒级的要求。

并且，为了维护系统平台的统一性(统一的平台架构，统一的YARN资源管理，同一个垂直生态)，我们选择使用Spark Streaming作为我们数据清洗的入口。

使用Spark Streaming需要解决的一个问题就是，输出结果的高度碎片化。

正如上面所说，Spark Streaming其核心依然是Spark的路子，在微小的时间窗内，对微小批量的数据进行处理，达到类似实时的效果。

而其每一个批量处理之后都是以批量结果得以输出，于是，就会产生大量的碎片文件。

其实，解决这个问题也简单，那就是合并！进行周期性的文件合并，这点就不多说了。

既然说到了Spark Streaming，也就顺带着说一说Spark这个生态。

在很早以前，Hadoop、MapReduce经常会被人提到，但是随着Spark的兴起，已经越来越少人愿意使用MapReduce去批量处理数据了。

是的，Spark目前在Hadoop大生态中，已经形成一个比较完整的子生态:

• 包括与数据查询分析关联的Spark SQL；

• 实时处理领域的Spark Streaming；

• 正常内存处理可以替代MapReduce的离线批量；

• 还有集成大量机器学习包的MLlib；

• 以及还有什么图形处理的什么鬼(好吧，那个不是我擅长的)。

在效率至上的数据时代，MapReduce说抛弃就被抛弃了(哈哈，其实也没有这么严重，只是越来越多人弃用MapReduce，这肯定是事实)。

在体系支撑上，Spark依然成气候，数据的常规SQL分析，数据的内存处理、实时处理，以及数据的深度挖掘等，全部一起打包，好用的不得了，所以越来越得人心，也是木有办法的事。

关于IP地理位置解析，这里也可以分享一下。

IPIP.NET提供的IP库实在是值得推荐的，没钱的可以使用它提供的免费版，有钱的主可以考虑使用使用付费版。

免费版没有想象中那么不堪，只是它提供的服务没有这么多，更新的频次少点而已，大部分能解析到市一级，至于省份这一级，那是妥妥的没问题。

本章主要阐述如何从局部入手，拆解架构图，进行阶段性的任务执行。其中，详细讲解了部分核心重点，包括架构图的拆解、机器资源的评估、Nginx的上报伪服务、以及基于Spark Streaming的数据清洗等。

但是个人认为，方法论远比现成的方案有用，授人以鱼不如授人以渔！更重要的是中间阐述一些问题的思考方式、价值观，诸如拆解整体规划的思考、扩展预留的思考、方案选择的对比衡量等。希望本文能对你有所启发。

作者介绍 黄崇远

• 毕业于哈工大，近6年大数据行业经验 ，目前于深圳一创业公司任职大数据主管，数据虫巢公众号及官网(www.mite8.com)创建者。