当前位置:   article > 正文

【实时数仓篇】(03)菜鸟物流利用 Flink 实现实时超时统计场景_flink发货超时监控_flink 菜鸟

flink 菜鸟

一、前言

在小破站看了晨蕊关于Flink的分享视频 https://www.bilibili.com/video/BV1TE411L7zV/?spm_id_from=333.788.videocard.4,这篇博客主要对这次分享的一些知识点做些整理。

看大佬,人美技术牛! ( •̀ ω •́ )✧
在这里插入图片描述

二、实时数仓基本架构

以下是菜鸟作为物流扛把子,它对于数据的需求,主要有以下四点:
在这里插入图片描述
实时的数据,它存在的计算难点如下。我们知道,实时消息存在很多不可确定性,例如社交媒体,可能一个爆点,就会带来数据的流量峰值;而且有的消息也会存在迟到的情况,大佬今天主要分享的就是对未到达消息的处理。
在这里插入图片描述
在这里插入图片描述
Flink 将动态的消息转化为动态的表,对于表的操作就是 Continuous Query ,理解为对一张张静态的表的处理。Flink 从框架的精妙的设计,都在追求高吞吐和低延迟的平衡。 对未到达的消息,可以用CEP和TimeService这些功能API进行处理。
在这里插入图片描述
以下是菜鸟的实时数仓架构:
在这里插入图片描述
实时计算:两层分层计算,相对离线层次较少,主要是基于实时计算的低延迟的考虑,层次越少越好,以降低延迟。

数据存储:NoSQL 非关系型数据库 + ALOP 面向在线分析型数据库

数据服务:主要是屏蔽掉物理数据库查询的语法差异,数据库的设置差异,直接提供查询接口

在这里插入图片描述
明细层:主要是耦合各个业务系统/模块,多流Join 将已经解耦的各个模块再耦合在一起,再通过关联静态维表来补充属性字段。
汇总层:尽量减轻OLAP存储的压力

三、难题:实时超时统计

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
菜鸟刚开始的解决方案,但是存在以下的缺点:
在这里插入图片描述
很明显,这个方案是不可行的,需要在Flink就解决问题。

在这里插入图片描述

四、解决方案

在这里插入图片描述
双流Join的原理,人为制造出超时消息,让它去触发它对左流原始消息流的查询,再触发它的计算。

在这里插入图片描述
在这里插入图片描述

img
img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!

由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新

需要这份系统化资料的朋友,可以戳这里获取

会持续更新**

需要这份系统化资料的朋友,可以戳这里获取

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/人工智能uu/article/detail/836369
推荐阅读
相关标签
  

闽ICP备14008679号