基于HBase和Spark构建企业级数据处理平台
面临的场景
金融风控
用户画像库
爬虫抓取信息
反欺诈系统
订单数据
个性化推荐
用户行为分析
用户画像
推荐引擎
海量实时数据处理
社交Feeds
海量帖子、文章
聊天、评论
海量实时数据处理
时空时序
监控数据
轨迹、设备数据
地理信息
区域分布统计
区域查询
大数据
维表和结果表
离线分析
海量实时数据存储
新的挑战
Apache HBase(在线查询) 的特点有：
松散表结构(Schema free)
随机查询、范围查询
原生海量数据分布式存储
高吞吐、低延迟
在线分布式数据库
多版本、增量导入、多维删除
面临的新的挑战：
流式及批量入库
复杂分析
机器学习、图计算
生态及联邦分析
选择Spark的原因
快：通过query的执行优化、Cache等技术，Spark能够对任意数据量的数据进行快速分析。逻辑回归场景比Hadoop快100倍
一站式：Spark同时支持复杂SQL分析、流式处理、机器学习、图计算等模型，且一个应用中可组合上面多个模型解决场景问题
开发者友好：同时友好支持SQL、Python、Scala、Java、R多种开发者语言
优秀的生态：支持与Ka=a、HBase、Cassandra、MongoDB、Redis、MYSQL、SQL Server等配合使用
平台机构及案例
一站式数据处理平台架构
数据入库：借助于Spark Streaming，能够做流式ETL以及增量入库到HBase/Phoenix。
在线查询：HBase/Phoenix能够对外提供高并发的在线查询
离线分析及算法：如果HBase/Phoenix的数据需要做复杂分析及算法分析，可以使用Spark的SQL、机器学习、图计算等
典型业务场景：爬虫+搜索引擎
性能：流吞吐 20万条/秒
查询能力：HBase自动同步到solr对外提供全文检索的查询
一站式解决方案：Spark服务原生支持通过SQL读取HBase 数据能力进行ETL，Spark + HBase +Solr一站式数据处理平台
典型业务场景：大数据风控系统
Spark同时支持事中及事后风控
Spark友好对接HBase、RDS、MongoDB多种在线库
典型业务场景：构建数据仓库(推荐、风控)
毫秒级识别拦截代充订单，并发十万量级
Spark优秀的计算能力：Spark基于列式存储Parquet的分析在数据量大的情况下比Greenplum集群有10倍的性能提升
一站式解决方案：Spark服务原生支持通过SQL读取 HBase SQL(Phoenix)数据能力
聚焦业务：全托管的Spark服务保证了作业运行的稳定性，释放运维人力，同时数据工作台降低了spark作业管理成本
原理及最佳实践
Spark API的发展经历了RDD、DataFrame、DataSet
Spark Streaming采用的是Micro-Batch方式处理实时数据。
作业堆积、延迟高、并发不够？
每批次的并发：调大kafka的订阅的分区、spark.streaming.blockInterval
代码热点优化：查看堆栈、broadcast、代码优化
Spark流式处理入库HBase
Micro-Batch Processing：100ms延迟 ，Continuous Processing：1ms延迟
Spark HBase Connector的一些优化
代码托管在：https://github.com/aliyun/aliyun-apsaradb-hbase-demo （包含Spark操作Hbase和Phoenix）
文章不错？点个【在看】吧！ 👇