数据中台之数据集成

1

在现代企业中，由于使用场景、业务形态、技术选型、开发架构的差异，往往有多个异构的、基于不同的软硬件平台上的信息系统同时运行，这些系统的数据源彼此独立、相互封闭，使得数据难以在系统之间交流、共享和融合，从而形成了「信息孤岛」。随着信息化应用的不断深入，企业内部、企业与外部信息交互的需求日益强烈，急切需要对已有的信息进行整合，联通 “信息孤岛”，共享信息。

在企业构建数据数据中台来解决数据互通和共享的要求下，「数据集成」是打通信息系统和数据中台的管道和桥梁，是构成数据中台全、统、通的重要基础。

数据中台 全 统 通

本文所讲的数据集成，主要指的是从不同的数据存放介质将数据同步至数据中台的环节，在某些场景下，也可以称作「数据采集」、「数据同步」、「数据上云」。

2 准备工作

在数据集成实施开发前，我们一般要进行以下调研和准备工作：

数据源分类：见上一期的 数据中台之数据源，确定数据源种类，并根据数据及时性要求，确定采集的技术组件

网络和环境：确定数据源的网络和环境信息，根据实施集成方案，对现有的网络和环境进行必要的改造和优化

数据内容：调研数据的全量大小、增量大小、分布情况

数据质量：调研数据的增量标记、索引、主键信息等

数据范围：调研需要集成的数据范围，筛选出需要集成到数据中台的相关数据，一般以支撑业务流程或带业务属性的数据为主

3 业务架构

针对采集的业务内容，以及常见的同步分类，我们将数据集成的业务架构整理如下：

数据集成的业务架构

4 集成流程

以下通过几个典型的数据同步场景案例，来介绍数据同步流程。

3.1 关系型数据库离线同步流程

关系型数据库离线同步流程

3.2 API 类数据同步

API 类数据同步

3.3 实时类数据同步

实时类数据同步

5 袋鼠云数栈 DTinsight - 数据同步模块

数据同步模块是在各个存储单元之间执行数据交换的管道。

为了在「DTinsightIDE」进行大规模数据集的挖掘与计算，通常的做法是在任务执行前将数据传输至 DTinsightIDE，并在任务执行结束后将计算结果传输至外部存储单元（例如 MySQL 等应用数据库）。

数据集成的作用如下图所示：

袋鼠云数栈 - 数据同步模块

袋鼠云数栈 - 数据同步模块的具有以下

丰富的数据源支持

数据同步模块可对 MySQL、Oracle、SQLServer、PostgreSQL、HDFS、Hive、HBase、FTP、ElasticSearch、ODPS、ElasticSearch、Redis、MongoDB 等数据源，支持对这些数据源进行读取或写入数据。使用时仅需配置数据源的连接信息（例如填写 Oracle 数据库的 JDBC URL、用户名、密码等信息），再配置对应的数据同步任务即可。

分布式系统架构

数据同步模块在系统架构上采用先进的分布式系统架构（FlinkX [1]），可实现多个节点并发读取、写入数据，可极大的提升数据同步的吞吐量，相比 Sqoop、Kettle 等开源数据同步方案，数据吞吐能力更高、配套功能。

可视化配置

用户在使用数据同步模块时，可快速通过可视化配置的方式完成同步任务的创建与配置，主要包括同步任务选择源库源表、目标库目标表、配置字段映射、配置同步速度等。

全量 / 增量同步

从业务系统读取数据的过程中，为了最小化对业务系统的影响，通常需要进行数据的增量同步。在源数据库表中具备数据变更时间字段的情况下，支持对关系型数据库进行增量数据同步，用户仅需输入相应的数据过滤语句即可实现。

同步速度的控制

支持数据同步速度控制，通过设置同步速率上限来调整，此参数需根据硬件配置和数据量来调整，用户根据业务需求选择设定的值。

脏数据管理

支持对脏数据是否需要记录进行配置，可指定脏数据的存储表名、生命周期，同时可配置当脏数据量超过一定数量或一定比例时任务置为失败，提示用户及时排查脏数据问题，并生成分析报告。

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs
同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：