Flink Forward Asia 2021 实时数据湖合集

合集内容

Building The Real-time Datalake at ByteDance （00:00:00-00:22:47）

Flink CDC 如何简化实时数据入湖入仓（00:22:48-00:54:02）

Flink + Iceberg 构建网易湖仓一体（00:54:03-01:12:59）

使用 Flink Hudi 构建流式数据湖平台（01:13:00-01:33:51）

Apache Flink 集成 Apache Iceberg 最佳实践（01:33:52-2:19:23）

详细介绍

Building The Real-time Datalake at ByteDance

Speakers:

李延加:

字节跳动数据平台研发工程师，Apache Hudi PMC Member & Committer

就职于字节跳动数据集成团队，负责数据湖集成的相关工作。

主要内容

在实时数据入仓的场景下，字节跳动基于 Apache Flink 构建了 MQ-Hive 的通道并大规模投入使用，支撑了日均 20+PB 级的数据采集入仓，但是在 CDC 场景下，由于 Hive 不支持更新，所以 CDC 数据依然需要通过基于 Spark 的 T+1 离线链路来生产，实时性和计算效率上都无法满足需求，于是我们团队开始了在数据湖技术上的探索。最终选用 Apache Hudi 作为数据湖底座 + Apache Flink 作为计算引擎，构建了湖仓一体的实时数据集成通道，并获得了较大的业务收益。此次会议我会分享以下议题：

1. 字节跳动超大数据量场景下 CDC 入 Hive 数仓遇到的挑战；

2. 数据湖选型过程与思考；

3. 入湖技术方案以及我们做的优化；

4. 业务落地场景和收益；

5. 未来的计划。

Flink CDC 如何简化实时数据入湖入仓

Speakers:

徐榜江:

阿里巴巴高级开发工程师，Apache Flink Committer，Flink CDC Maintainer

伍翀:

阿里巴巴技术专家，Apache Flink PMC Member & Committer

主要内容

最近几年实时数仓和数据湖发展迅速，其本质是业务在不断追求更加实时的数据，而 CDC（Change Data Capture）技术则是构建实时数仓和数据湖的关键技术。本次分享我们将探讨现有入湖入仓技术的典型架构和面临的痛点，包括海量 DB 数据的高效接入、数据一致性的语义保证、表结构的频繁变更等等。

接着我们会介绍如何使用 Flink CDC 简化数据入湖入仓架构，分享 Flink CDC 的核心技术是如何解决上述痛点。我们还会介绍 Flink CDC 蓬勃发展的社区生态以及未来的发展规划。

最后，我们会通过一个 demo 来展示如何使用 Flink CDC 完成 MySQL 到 Hudi 的整库数据入湖，并演示表结构变更的自动同步，整个 demo 只使用了几行 SQL，让观众深切体会到数据入湖本应如此 “简单”！

Flink + Iceberg 构建网易湖仓一体

Speakers:

马进:

网易数据科学中心在线数据和实时计算团队负责人

负责集团分布式数据库，数据传输平台，实时计算平台，实时数据湖等项目，长期从事中间件，大数据基础设施方面的研究和实践，目前带领团队聚焦在流批一体，湖仓一体的平台方案和技术演进上。

主要内容

经过多年发展，Hive 已经成为离线数仓的事实标准，Hive 的成功依赖于简洁开放的生态，但是在事务性，实时性，数据更新等能力上有严重不足，这也导致 Hive 无法胜任实时数仓，企业面临着 Kudu、Druid、Clickhouse 等百家争鸣的实时数仓方案，而实时数仓和离线数仓的割裂带来了流批割裂，规范割裂，语义二义性，成本浪费，数据孤岛等问题。

基于这些现状，网易在过去一年多持续致力于基于 Hadoop 数据湖构建实时数仓的方案，以形成流批统一存储，统一计算的实时湖仓，这次分享将给大家带来我们怎样基于 Flink 和 Iceberg 来构建流批一体和湖仓一体方案，重点介绍网易在 Iceberg 基础上开发的文件索引，实时 ingestion 和 compaction 服务，以及在应用场景中的实践，PPT 大纲：

1. 流批一体的痛点；

2. 湖仓一体 = 存储流批一体；

3. 技术方案（文件索引，ingestion，compaction 服务）；

4. 应用实践；

5. 未来规划。

使用 Flink Hudi 构建流式数据湖平台

Speakers:

陈玉兆:

阿里巴巴技术专家，Apache Hudi Committer

刘大龙:

阿里巴巴开发工程师

主要内容

随着云数仓技术的不断成熟，数据湖俨然已成为当下最热门的技术之一，而 Apache Hudi 是当下最具竞争力的数据湖格式之一：

– 拥有最活跃的开源社区，周活跃 PR 一直维持在 50+ 水平；

– 拥有最多的国内用户群，目前的 Apache Hudi 钉钉群已超过 2100+，国内各大厂商都已经布局 Apache Hudi 生态。

Apache Hudi 的活跃度得益于其出色的 file format 设计和丰富的事物语义支持：

– 精细化的 file format 布局很好的适配了近实时更新场景，解决了超大数据集更新的痛点；

– Hudi 的事物层语义是目前的湖存储中最成熟和丰富的，基本所有的数据治理都可以自动化完成：compaction、rollback、cleaning、clustering

本次分享我们首先会探讨数据湖的由来以及 Apache Hudi 的内核设计，包括 Apache Hudi 的 Timeline 设计、Table Format 设计，以及 COW、MOR 等原语。

接着会介绍 Flink On Hudi 的核心设计，Flink 如何更好地结合流计算和湖存储，如何用流的思路实现湖格式的更新语义。

我们还会介绍 Flink On Hudi 活跃的国内用户群、经典的实践案例和近期的 roadmap。

最后，我们会通过一个 demo 来演示如何用简单的 Flink SQL 完成近实时数据湖的经典场景：包括双流 join 入湖、流读变更流、增量查询、TimeTravel 等，用 Flink SQL 玩转近实时数据湖就是如此简单 ！

Apache Flink 集成 Apache Iceberg 最佳实践

Speakers:

胡争:

阿里巴巴技术专家，Apache Iceberg & HBase PMC

主要负责 Apache Iceberg 的社区开发以及阿里云 Iceberg 数据湖产品研发。目前，是 Apache Iceberg PMC 成员，同时也是 Apache HBase PMC 成员，和业界知名的 HBase 技术专家范欣欣合著有《HBase原理与实践》。

主要内容

Apache Iceberg 作为一种开放的标准化数据湖表格式，被国内外众多大厂选择和应用。近期 Apache Iceberg 创始团队收获了 A 轮融资，计划在 AWS 之上推出商业版的数据湖存储服务，以满足数据分析师自助的数据分析需求。经过过去一年多的发展，Flink 已经成为 Iceberg 数据湖最重要入湖引擎之一。本次议题我将结合线上的一些案例和开源社区现状，分享 Flink 集成 Iceberg 的一些最佳实践：

1. Flink + Iceberg 到底解决了哪些其他系统无法解决的问题？

2. 日志表数据入湖的挑战和解决方案；

3. CDC 表数据入湖的最佳实践；

4. Iceberg 社区 Flink 模块现状和进展。