一.OPPO 实时数仓的演进思路
1.1.OPPO 业务与数据规模
大家都知道OPPO是智能手机，却不知道OPPO和互联网、大数据有什么关系。下图给出了OPPO的业务和数据概况：
OPPO作为手机厂商，基于Android定制了自己的ColorOS系统，日活跃用户超过2亿。围绕ColorOS，OPPO搭建了很多互联网应用，如应用商店、浏览器、信息流等。
在运营这些互联网应用的过程中，OPPO积累了大量的数据。上图右侧是整体数据规模的演变：从2012年开始，每年增长2~3倍。截至目前，总数据量超过100PB，日数据量超过200TB。
为了支撑如此大的数据量，OPPO开发了一套完整的数据系统和服务，并逐渐形成了自己的数据中间站系统。
1.2.OPPO 数据中台
今年，每个人都在谈论数据中心。OPPO如何理解数据中心？我们将其分为四个级别：
底层是统一工具体系，覆盖‘接入-治理-开发-消费’全数据链路；基于工具体系构建数据仓库，分为‘原始层-明细层-汇总层-应用层’，这也是经典的数据仓库架构；然后是全球数据系统。什么是全球？就是打通公司所有的业务数据，形成统一的数据资产，比如ID-Mapping、用户标签等。最终，如果数据可以被业务使用，它需要场景驱动的数据产品和服务。以上是OPPO数据中心的整个系统，其中数据仓库处于非常基础和核心的地位。
1.3. 构建 OPPO 离线数仓
在过去的两三年里，我们的重点是线下仓库的建设。上图大致描述了整个构建过程：首先，数据源基本是手机、日志文件、DB数据库。我们构建了基于Apache NiFi的高可用、高通量接入系统，将数据放入HDFS形成原始层；然后基于Hive的每小时ETL和每日汇总Hive任务分别负责计算生成明细层和汇总层；
最后，应用层基于OPPO开发的数据产品，主要包括报表分析、用户画像和界面服务。此外，中间明细层还支持基于Presto的即席查询和自助取款。随着线下仓库盘点的逐步完善，业务对实时仓库盘点的需求越来越强烈。
1.5. 离线到实时的平滑迁移
无论是平台还是系统，都离不开上下两层：上层是API，是面向用户的编程抽象和接口；底层运行时是面向内核的执行引擎。我们希望从离线到实时的迁移是平滑的，这意味着什么？从API层面来说，数据仓库的抽象是表，编程接口是SQL UDF。离线数据仓库时代，用户已经习惯了这个API，迁移到实时数据仓库后最好保持一致。在运行时层面，计算引擎从Hive进化到Flink，存储引擎从HDFS进化到卡夫卡。
基于以上思路，我们只需要对之前提到的线下仓库管道进行改造，就可以得到实时仓库管道。
1.6. 构建 OPPO 实时数仓
从上图可以看出，整个流水线基本和线下仓库差不多，只是Hive换成了Flink，HDFS换成了卡夫卡。从整体流程来看，基本模型不变，还是由原层、明细层、汇总层、应用层的级联计算组成。
所以，这里的核心问题是，如何基于Flink构建这个管道。下面看看我们基于Flink SQL的一些工作。
二. 基于 Flink SQL 的扩展工作
2.1.Why Flink SQL
首先，为什么要用Flink SQL？下图是Flink框架的基本结构，底层是运行时。我们认为这个执行引擎的核心优势有四点：第一，低延迟，高吞吐量；第二，端到端
的 Exactly-once；第三，可容错的状态管理；第四，Window & Event time 的支持。基于 Runtime 抽象出 3 个层次的 API，SQL 处于最上层。Flink SQL API 有哪些优势呢？我们也从四个方面去看：第一，支持 ANSI SQL 的标准；第二，支持丰富的数据类型与内置函数，包括常见的算术运算与统计聚合；第三，可自定义 Source/Sink，基于此可以灵活地扩展上下游；第四，批流统一，同样的 SQL，既可以跑离线也可以跑实时。
那么，基于 Flink SQL API 如何编程呢？下面是一个简单的演示：
首先是定义与注册输入 / 输出表，这里创建了 2 张 Kakfa 的表，指定 kafka 版本是什么、对应哪个 topic；接下来是注册 UDF，篇幅原因这里没有列出 UDF 的定义；最后是才是执行真正的 SQL。可以看到，为了执行 SQL，需要做这么多的编码工作，这并不是我们希望暴露给用户的接口。
2.2. 基于 WEB 的开发 IDE
2.5.Flink SQL 对接外部数据源
搞清楚了 Flink SQL 注册库表的过程，给我们带来这样一个思路：如果外部元数据创建的表也能被转换成 TableFactory 可识别的 map，那么就能被无缝地注册到 TableEnvironment。基于这个思路，我们实现了 Flink SQL 与已有元数据中心的对接，大致过程参见下图：
通过元数据中心创建的表，都会将元数据信息存储到 MySQL，我们用一张表来记录 Table 的基本信息，然后另外三张表分别记录 Connector、Format、Schema 转换成 key-value 后的描述信息。之所以拆开成三张表，是为了能够能独立的更新这三种描述信息。接下来是定制实现的 ExternalCatalog，能够读取 MySQL 这四张表，并转换成 map 结构。
2.6. 实时表 - 维表关联
到目前为止，我们的平台已经具备了元数据管理与 SQL 作业管理的能力，但是要真正开放给用户使用，还有一点基本特性存在缺失。通过我们去构建数仓，星型模型是无法避免的。这里有一个比较简单的案例：中间的事实表记录了广告点击流，周边是关于用户、广告、产品、渠道的维度表。
假定我们有一个 SQL 分析，需要将点击流表与用户维表进行关联，这个目前在 Flink SQL 中应该怎么来实现？我们有两种实现方式，一个基于 UDF，一个基于 SQL 转换。
三.构建实时数仓的应用案例
下面分享几个典型的应用案例，都是在我们的平台上用 Flink SQL 来实现的。
3.1. 实时 ETL 拆分
这里是一个典型的实时 ETL 链路，从大表中拆分出各业务对应的小表：
OPPO 的最大数据来源是手机端埋点，从手机 APP 过来的数据有一个特点，所有的数据是通过统一的几个通道上报过来。因为不可能每一次业务有新的埋点，都要去升级客户端，去增加新的通道。比如我们有个 sdk_log 通道，所有 APP 应用的埋点都往这个通道上报数据，导致这个通道对应的原始层表巨大，一天几十个 TB。但实际上，每个业务只关心它自身的那部分数据，这就要求我们在原始层进行 ETL 拆分。
这个 SQL 逻辑比较简单，无非是根据某些业务字段做筛选，插入到不同的业务表中去。它的特点是，多行 SQL 最终合并成一个 SQL 提交给 Flink 执行。大家担心的是，包含了 4 个 SQL，会不会对同一份数据重复读取 4 次？其实，在 Flink 编译 SQL 的阶段是会做一些优化的，因为最终指向的是同一个 kafka topic，所以只会读取 1 次数据。
另外，同样的 Flink SQL，我们同时用于离线与实时数仓的 ETL 拆分，分别落入 HDFS 与 Kafka。Flink 中本身支持写入 HDFS 的 Sink，比如 RollingFileSink。
3.2. 实时指标统计
这里是一个典型的计算信息流 CTR 的这个案例，分别计算一定时间段内的曝光与点击次数，相除得到点击率导入 Mysql，然后通过我们内部的报表系统来可视化。这个 SQL 的特点是它用到了窗口 (Tumbling Window) 以及子查询。
3.3. 实时标签导入
这里是一个实时标签导入的案例，手机端实时感知到当前用户的经纬度，转换成具体 POI 后导入 ES，最终在标签系统上做用户定向。
这个 SQL 的特点是用了 AggregateFunction，在 5 分钟的窗口内，我们只关心用户最新一次上报的经纬度。AggregateFunction 是一种 UDF 类型，通常是用于聚合指标的统计，比如计算 sum 或者 average。在这个示例中，由于我们只关心最新的经纬度，所以每次都替换老的数据即可。
四. 未来工作的思考和展望
最后，给大家分享一下关于未来工作，我们的一些思考与规划，还不是太成熟，抛出来和大家探讨一下。
4.1. 端到端的实时流处理
什么是端到端？一端是采集到的原始数据，另一端是报表 / 标签 / 接口这些对数据的呈现与应用，连接两端的是中间实时流。当前我们基于 SQL 的实时流处理，源表是 Kafka，目标表也是 Kafka，统一经过 Kafka 后再导入到 Druid/ES/HBase。
这样设计的目的是提高整体流程的稳定性与可用性：首先，kafka 作为下游系统的缓冲，可以避免下游系统的异常影响实时流的计算（一个系统保持稳定，比起多个系统同时稳定，概率上更高点）；其次，kafka 到 kafka 的实时流，exactly-once 语义是比较成熟的，一致性上有保证。
然后，上述的端到端其实是由割裂的三个步骤来完成的，每一步可能需要由不同角色人去负责处理：数据处理需要数据开发人员，数据导入需要引擎开发人员，数据资产化需要产品开发人员。
我们的平台能否把端到端给自动化起来，只需要一次 SQL 提交就能打通处理、导入、资产化这三步？在这个思路下，数据开发中看到的不再是 Kafka Table，而应该是面向场景的展示表 / 标签表 / 接口表。比如对于展示表，创建表的时候只要指定维度、指标等字段，平台会将实时流结果数据从 Kafka 自动导入 Druid，再在报表系统自动导入 Druid 数据源，甚至自动生成报表模板。
4.2. 实时流的血缘分析
关于血缘分析，做过离线数仓的朋友都很清楚它的重要性，它在数据治理中都起着不可或缺的关键作用。对于实时数仓来说也莫不如此。我们希望构建端到端的血缘关系，从采集系统的接入通道开始，到中间流经的实时表与实时作业，再到消费数据的产品，都能很清晰地展现出来。基于血缘关系的分析，我们才能评估数据的应用价值，核算数据的计算成本。
4.3. 离线 - 实时数仓一体化
最后提一个方向是离线实时数仓的一体化。我们认为短期内，实时数仓无法替代离线数仓，两者并存是新常态。在离线数仓时代，我们积累的工具体系，如何去适配实时数仓，如何实现离线与实时数仓的一体化管理？理论上来讲，它们的数据来源是一致的，上层抽象也都是 Table 与 SQL，但本质上也有不同的点，比如时间粒度以及计算模式。对于数据工具与产品来说，需要做哪些改造来实现完全的一体化，这也是我们在探索和思考的。
