作者：LittleMagic

Flink 和 ClickHouse 分別是實時計算和（近實時）OLAP 領域的翹楚，也是近些年非常火爆的開源框架，很多大廠都在將兩者結合使用來構建各種用途的實時平臺，效果很好。關于兩者的優點就不再贅述，本文來簡單介紹筆者團隊在點擊流實時數倉方面的一點實踐經驗。

點擊流及其維度建模

所謂點擊流（click stream），就是指用戶訪問網站、App 等 Web 前端時在后端留下的軌跡數據，也是流量分析（traffic analysis）和用戶行為分析（user behavior analysis）的基礎。點擊流數據一般以訪問日志和埋點日志的形式存儲，其特點是量大、維度豐富。以我們一個中等體量的普通電商平臺為例，每天產生約 200GB 左右、數十億條的原始日志，埋點事件 100+ 個，涉及 50+ 個維度。

按照 Kimball 的維度建模理論，點擊流數倉遵循典型的星形模型，簡圖如下。

點擊流數倉分層設計

點擊流實時數倉的分層設計仍然可以借鑒傳統數倉的方案，以扁平為上策，盡量減少數據傳輸中途的延遲。簡圖如下。

• DIM 層：維度層，MySQL 鏡像庫，存儲所有維度數據。
• ODS 層：貼源層，原始數據由 Flume 直接進入 Kafka 的對應 topic。
• DWD 層：明細層，通過 Flink 將 Kafka 中數據進行必要的 ETL 與實時維度 join 操作，形成規范的明細數據，并寫回 Kafka 以便下游與其他業務使用。再通過 Flink 將明細數據分別寫入 ClickHouse 和 Hive 打成大寬表，前者作為查詢與分析的核心，后者作為備份和數據質量保證（對數、補數等）。
• DWS 層：服務層，部分指標通過 Flink 實時匯總至 Redis，供大屏類業務使用。更多的指標則通過 ClickHouse 物化視圖等機制周期性匯總，形成報表與頁面熱力圖。特別地，部分明細數據也在此層開放，方便高級 BI 人員進行漏斗、留存、用戶路徑等靈活的 ad-hoc 查詢，這些也是 ClickHouse 遠超過其他 OLAP 引擎的強大之處。

要點與注意事項

Flink 實時維度關聯

Flink 框架的異步 I/O 機制為用戶在流式作業中訪問外部存儲提供了很大的便利。針對我們的情況，有以下三點需要注意：

• 使用異步 MySQL 客戶端，如 Vert.x MySQL Client。
• AsyncFunction 內添加內存緩存（如 Guava Cache、Caffeine 等），并設定合理的緩存驅逐機制，避免頻繁請求 MySQL 庫。
• 實時維度關聯僅適用于緩慢變化維度，如地理位置信息、商品及分類信息等。快速變化維度（如用戶信息）則不太適合打進寬表，我們采用 MySQL 表引擎將快變維度表直接映射到 ClickHouse 中，而 ClickHouse 支持異構查詢，也能夠支撐規模較小的維表 join 場景。未來則考慮使用 MaterializedMySQL 引擎（當前仍未正式發布）將部分維度表通過 binlog 鏡像到 ClickHouse。

Flink-ClickHouse Sink 設計

可以通過 JDBC（flink-connector-jdbc）方式來直接寫入 ClickHouse，但靈活性欠佳。好在 clickhouse-jdbc 項目提供了適配 ClickHouse 集群的 BalancedClickhouseDataSource 組件，我們基于它設計了 Flink-ClickHouse Sink，要點有三：

• 寫入本地表，而非分布式表，老生常談了。
• 按數據批次大小以及批次間隔兩個條件控制寫入頻率，在 part merge 壓力和數據實時性兩方面取得平衡。目前我們采用 10000 條的批次大小與 15 秒的間隔，只要滿足其一則觸發寫入。
• BalancedClickhouseDataSource 通過隨機路由保證了各 ClickHouse 實例的負載均衡，但是只是通過周期性 ping 來探活，并屏蔽掉當前不能訪問的實例，而沒有故障轉移——亦即一旦試圖寫入已經失敗的節點，就會丟失數據。為此我們設計了重試機制，重試次數和間隔均可配置，如果當重試機會耗盡后仍然無法成功寫入，就將該批次數據轉存至配置好的路徑下，并報警要求及時檢查與回填。

當前我們僅實現了 DataStream API 風格的 Flink-ClickHouse Sink，隨著 Flink 作業 SQL 化的大潮，在未來還計劃實現 SQL 風格的 ClickHouse Sink，打磨健壯后會適時回饋給社區。另外，除了隨機路由，我們也計劃加入輪詢和 sharding key hash 等更靈活的路由方式。

還有一點就是，ClickHouse 并不支持事務，所以也不必費心考慮 2PC Sink 等保證 exactly once 語義的操作。如果 Flink 到 ClickHouse 的鏈路出現問題導致作業重啟，作業會直接從最新的位點（即 Kafka 的 latest offset）開始消費，丟失的數據再經由 Hive 進行回填即可。

ClickHouse 數據重平衡

ClickHouse 集群擴容之后，數據的重平衡（reshard）是一件麻煩事，因為不存在類似 HDFS Balancer 這種開箱即用的工具。一種比較簡單粗暴的思路是修改 ClickHouse 配置文件中的 shard weight，使新加入的 shard 多寫入數據，直到所有節點近似平衡之后再調整回來。但是這會造成明顯的熱點問題，并且僅對直接寫入分布式表才有效，并不可取。

因此，我們采用了一種比較曲折的方法：將原表重命名，在所有節點上建立與原表 schema 相同的新表，將實時數據寫入新表，同時用 clickhouse-copier 工具將歷史數據整體遷移到新表上來，再刪除原表。當然在遷移期間，被重平衡的表是無法提供服務的，仍然不那么優雅。如果大佬們有更好的方案，歡迎交流。

?

原文鏈接
本文為阿里云原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的基于 Flink + ClickHouse 打造轻量级点击流实时数仓的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。