字节跳动数据湖技术选型的思考
字节跳动数据集成的现状
在2018年，我们基于Flink构造了异构数据源之间批式同步通道，主要用于将在线数据库导入到离线数仓，和不同数据源之间的批式传输。
在2020年，我们基于Flink构造了MQ-Hive的实时数据集成通道，主要用于将消息队列中的数据实时写入到Hive和HDFS，在计算引擎上做到了流批统一。
到了2021年，我们基于Flink构造了实时数据湖集成通道，从而完成了湖仓一体的数据集成系统的构建。
字节跳动数据集成系统目前支持了几十条不同的数据传输管道，涵盖了线上数据库，例如Mysql Oracle和MangoDB；消息队列，例如Kafka RocketMQ；大数据生态系统的各种组件，例如HDFS、HIVE和ClickHouse。
在字节跳动内部，数据集成系统服务了几乎所有的业务线，包括抖音、今日头条等大家耳熟能详的应用。
整个系统主要分成3种模式——批式集成、流式集成和增量集成。
批式集成模式基于Flink Batch模式打造，将数据以批的形式在不同系统中传输，目前支持了20多种不同数据源类型。流式集成模式主要是从MQ将数据导入到Hive和HDFS，任务的稳定性和实时性都受到了用户广泛的认可。增量模式即CDC模式，用于支持通过数据库变更日志Binlog，将数据变更同步到外部组件的数据库。这种模式目前支持5种数据源，虽然数据源不多，但是任务数量非常庞大，其中包含了很多核心链路，例如各个业务线的计费、结算等，对数据准确性要求非常高。在CDC链路的整体链路比较长。首先，首次导入为批式导入，我们通过Flink Batch模式直连Mysql库拉取全量数据写入到Hive，增量Binlog数据通过流式任务导入到HDFS。由于Hive不支持更新操作，我们依旧使用了一条基于Spark的批处理链路，通过T-1增量合并的方式，将前一天的Hive表和新增的Binlog进行合并从而产出当天的Hive表。
随着业务的快速发展，这条链路暴露出来的问题也越来越多。
首先，这条基于Spark的离线链路资源消耗严重，每次产出新数据都会涉及到一次全量数据Shuffle以及一份全量数据落盘，中间所消耗的储存以及计算资源都比较严重。同时，随着字节跳动业务的快速发展，近实时分析的需求也越来越多。最后，整条链路流程太长，涉及到Spark和Flink两个计算引擎，以及3个不同的任务类型，用户使用成本和学习成本都比较高，并且带来了不小的运维成本。
为了解决这些问题，我们希望对增量模式做一次彻底的架构升级，将增量模式合并到流式集成中，从而可以摆脱对Spark的依赖，在计算引擎层面做到统一。
改造完成后，基于Flink的数据集成引擎就能同时支持批式、流式和增量模式，几乎可以覆盖所有的数据集成场景。
同时，在增量模式上，提供和流式通道相当的数据延迟，赋予用户近实时分析能力。在达到这些目标的同时，还可以进一步降低计算成本、提高效率。
经过一番探索，我们关注到了正在兴起的数据湖技术。
关于数据湖技术选型的思考我们的目光集中在了Apache软件基金会旗下的两款开源数据湖框架Iceberg和Hudi中。Iceberg和Hudi两款数据湖框架都非常优秀。但两个项目被创建的目的是为了解决不同的问题，所以在功能上的侧重点也有所不同。
Iceberg：核心抽象对接新的计算引擎的成本比较低，并且提供先进的查询优化功能和完全的schema变更。Hudi：更注重于高效率的Upsert和近实时更新，提供了Merge On Read文件格式，以及便于搭建增量ETL管道的增量查询功能。
一番对比下来，两个框架各有千秋，并且离我们想象中的数据湖最终形态都有一定距离，于是我们的核心问题便集中在了以下两个问题：
哪个框架可以更好的支持我们CDC数据处理的核心诉求？哪个框架可以更快速补齐另一个框架的功能，从而成长为一个通用并且成熟的数据湖框架？
经过多次的内部讨论，我们认为：Hudi在处理CDC数据上更为成熟，并且社区迭代速度非常快，特别是最近一年补齐了很多重要的功能，与Flink的集成也愈发成熟，最终我们选择了Hudi作为我们的数据湖底座。
01 - 索引系统
我们选择Hudi，最为看重的就是Hudi的索引系统。
这张图是一个有索引和没有索引的对比。在CDC数据写入的过程中，为了让新增的Update数据作用在底表上，我们需要明确知道这条数据是否出现过、出现在哪里，从而把数据写到正确的地方。
在合并的时候，我们就可以只合并单个文件，而不需要去管全局数据。如果没有索引，合并的操作只能通过合并全局数据，带来的就是全局的shuffle。在图中的例子中，没有索引的合并开销是有索引的两倍，并且如果随着底表数据量的增大，这个性能差距会呈指数型上升。
所以，在字节跳动的业务数据量级下，索引带来的性能收益是非常巨大的。Hudi提供了多种索引来适配不同的场景，每种索引都有不同的优缺点，索引的选择需要根据具体的数据分布来进行取舍，从而达到写入和查询的最优解。下面举两个不同场景的例子。
日志数据去重场景
在日志数据去重的场景中，数据通常会有一个create_time的时间戳，底表的分布也是按照这个时间戳进行分区，最近几小时或者几天的数据会有比较频繁的更新，但是更老的数据则不会有太多的变化。冷热分区的场景就比较适合布隆索引、带TTL的State索引和哈希索引。
CDC场景
第二个例子是一个数据库导出的例子，也就是CDC场景。这个场景更新数据会随机分布，没有什么规律可言，并且底表的数据量会比较大，新增的数据量通常相比底表会比较小。在这种场景下，我们可以选用哈希索引、State索引和Hbase索引来做到高效率的全局索引。这两个例子说明了不同场景下，索引的选择也会决定了整个表读写性能。Hudi提供多种开箱即用的索引，已经覆盖了绝大部分场景，用户使用成本非常低。
