基于TableStore的数据采集分析系统介绍

摘要： 摘要 在互联网高度发达的今天，ipad、手机等智能终端设备随处可见，运行在其中的APP、网站也非常多，如何采集终端数据进行分析，提升软件的品质非常重要，例如PV/UV统计、用户行为数据统计与分析等。虽然场景简单，但是数据量大，对系统的吞吐量、实时性、分析能力、查询能力都有较高的要求，搭建起来并不容易。

摘要

在互联网高度发达的今天，ipad、手机等智能终端设备随处可见，运行在其中的APP、网站也非常多，如何采集终端数据进行分析，提升软件的品质非常重要，例如PV/UV统计、用户行为数据统计与分析等。虽然场景简单，但是数据量大，对系统的吞吐量、实时性、分析能力、查询能力都有较高的要求，搭建起来并不容易。今天我们来介绍一下基于阿里云表格存储，以及相关的大数据产品来采集与分析数据的方案。

TableStore

TableStore(表格存储)是阿里云自主研发的专业级分布式NoSQL数据库，是基于共享存储的高性能、低成本、易扩展、全托管的半结构化数据存储平台，支撑互联网和物联网数据的高效计算与分析。

目前不管是阿里巴巴集团内部，还是外部公有云用户，都有成千上万的系统在使用。覆盖了重吞吐的离线应用，以及重稳定性，性能敏感的在线应用。表格存储的具体的特性可以看下面这张图片。

基于TableStore的数据采集分析系统

一个典型的数据采集分析统计平台，对数据的处理，主要由如下五个步骤组成： 

对于上图流程的具体实现，网上有许多可以参考的案例，数据在客户端采集完以后，如果量比较小，我们可能直接在后端的API上做一次透传，然后持久化到RDBMS类型的数据库中就好了，通过Sql可以进行数据分析。如果数据量很大，就需要一些中间件来辅助收集和上传，然后分别将数据写入到在线和离线的系统中，比如先上传到Flume，Flume可以做数据的采集与聚合，再将Flume作为消息的生产者，将生产的消息数据通过Kafka Sink发布到Kafka中，Kafka作为消息队列的角色，可以对接后端的在线和离线计算平台。如下图所示： 

引入Flume和Kafka的原因有很多，比如他们可以处理大流量的数据、做数据聚合、保证数据不丢失等，但最关键的原因是他们拥有高吞吐的能力。引入的组件多，系统的复杂性和成本也会相应的增加，上图中，Spark Streaming/Storm分析完成以后，结果数据还需要引入另外的存储组件进行存储，比如HBase/MySQL，如果引入MySQL可能还需要再引入Redis做热点数据缓存，这样一来就更加复杂了。 
我们尝试一种基于TableStore和阿里云其他大数据产品的新方案，我们先看架构图： 

图中关键路径分析： 
1、Web页、APP等客户端先通过埋点系统收集数据，然后通过表格存储的SDK将数据写入TableStore的原始数据表。 
2、MaxCompute直读TableStore原始数据表的数据进行分析，然后QuickBI读取MaxCompute的数据进行展示，具体操作可参考：MaxCompute直读直写表格存储、QuickBI新建云数据源。 
3、TableStore原始数据表中的数据可增量同步到ElasticSearch或者openSearch中，同步方法参考：TableStore数据同步到ElasticSearch，TableStore数据同步到OpenSearch。 
4、TableStore中的数据可增量同步到Blink/Flink进行分析，分析完以后的数据再写回TableStore的结果数据表中，DavaV读取结果数据表的数据进行展示。

新架构优势分析： 
1、客户端数据直读直写TableStore，不需要再引入API层进行数据透传，降低了复杂度，对于大型应用来说也减少了不少的服务器成本。 
2、TableStore已经对接了丰富了大数据组件，包括阿里云的大数据产品和开源大数据产品，数据的同步与读写非常容易。 
3、实时分析与离线分析后的结果数据再写回TableStore，DataV直接读取结果数据进行展示，因为TableStore具备高性能与高吞吐特点，不需要再引入Redis等缓存组件，可以简化整个系统。

直读直写安全问题： 
关于数据直读直写TableStore，大家可能都会想到一个安全的问题，客户端直连TableStore不是要把AccessKey和AccessId暴露在客户端吗？答案是不用，我们使用STSToken授权访问TableStore，过程如下图所示： 

TableStore提供的SDK都支持使用STS授权的方式进行访问，示例可参考TableStore NodeJs SDK使用STSToken，使用STS方式访问TableStore需要控制好授权策略，客户端不需要的接口请不要授权。

浏览器跨域访问TableStore： 
如果在浏览器端直接访问TableStore，由于浏览器有同源策略的限制，会产生跨域问题。因为TableStore的EndPoint域名与用户Web站点的域名不同。解决这个问题的思路有两个：一是Web端不直接访问TableStore，改为先请求自己的Web Server端，Web Server端再使用TableStore SDK来发起请求，这样其实就是后端访问了，问题解决了但也没了我们直读直写的优势；二是TableStore服务端通过某种方式直接支持js跨域请求，这条路我们正在支持当中，当前处于开发阶段，支持的方式是cors协议支持跨域。但目前也有快捷的支持方式，如果您有浏览器直接访问TableStore的需求，可以直接联系我们，支持起来也很快。 
作者：boxiao