利用 Databend + COS助力 CDH 分析 | 某医药集团

作者： 黄志武

某医药集团信息中心数据库组组长，13 年数据库行业从业经历，Oracle OCM，关注 Oracle、MySQL、Redis、MongoDB、Oceanbase、Tidb、Polardb-X、TDSQL、CDH、Clickhouse、Doris、Databend 等多方面的关键领域技术，服务过传统通信、电力，互联网、移动互联网等行业。

某医药集团是中国具有影响力的药品零售连锁集团化企业。在数字化转型升级的趋势背景下，支撑持续稳定的零售业务生态，离不开高效的信息化、数据化、智能化的技术支持。

需求概述

某医药集团零售供应链数据庞大，涉及大表较多，最大单表数据量达到 93 亿，历史数据存储在大数据服务 CDH 。现在大数据平台数据增长迅速， 数据量超过 30T，机器集群硬件配置不足以承担目前的业务压力，成本投入也越来越大。

由于技术架构升级改造原因，该 CDH 需要下线，但是业务部门提出需要保留数据用于审计追溯。若考虑通过关系型分布式数据库进行迁移，如 OceanBase、TiDB，对于历史数据的关联并行查询也是一种挑战；由于时间紧迫，急需一种投入成本低、见效快的替代方案。

Databend 是一款开源、易用的云数仓，面向对象存储设计，支持使用 COS 对象存储作为存储后端，并且能够提供对复杂查询的支持，完美匹配某医药集团的业务需求。

认识 COS 对象存储

COS 对象存储（Cloud Object Storage）是由腾讯云推出的无目录层次结构、无数据格式限制，可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。具备稳定持久、安全可靠、简单易用、接入便捷的特点。

产品优势

稳定持久

提供数据跨多架构、多设备冗余存储，为用户数据提供异地容灾和资源隔离功能，实现12个9的数据可靠性和和99.995% 的可用性。

安全可靠

提供防盗链、数据加密、监控告警等功能综合保护数据安全。

成本最优

按需按量使用提供生命周期管理，支持数据定期沉降、删除等功能，进一步降低成本。

简单易用

提供图形化程序、命令行工具、协议工具等对存储对象进行批量操作，让使用更为简单。

接入便捷

提供丰富的 SDK 接入工具，简单且可靠，同时提供了线上、线下多种迁移服务，让用户的业务快速上云。

服务集成

提供全球加速、CDN加速、三级加速能力及提供「存储 + 处理」一体化解决方案，满足各种业务需求。

认识 Datebend 云数仓

Databend是一款使用 Rust 研发、开源、弹性、低成本，基于对象存储也可以做实时分析的新式数仓，具有即时扩缩容能力，能在数分钟内增加数百倍的算力，为企业提供了一个用于存储、管理和分析大量数据的集中式平台，从而助力企业更准确地洞察业务、制定战略。

Datebend 产品特点

基于共享存储的设计

Databend 支持腾讯云对象存储COS 。这种设计模式允许存储按使用量付费，具有高度的弹性。当计算节点需要扩展时，数据无需进行任何移动。

存储和计算分离的架构

在此架构下，计算节点可以根据需求进行动态启动。当业务处于空闲状态时，计算节点会自动进入休眠，从而有效节省资源。

面向对象存储的调度器设计

由于对象存储存在多种限制并且易于抖动，其并非专为数据仓库设计。因此，Databend 的调度器和优化器针对对象存储进行了大量优化。例如，调度器上的存储和计算在运行时具有双向感压特性。

高度的弹性伸缩性

Databend 采用 Serverless 设计，能够快速进行弹性伸缩，以适应各种业务需求和负载变化。

技术选型

Databend 是一个数据仓库平台，同样具备类似通用的大数据平台 CDH 的的支持能力。在选择数据归档方案时，分 3 个方面做了对比：

存储成本

主要对比了引入对象存储和使用 HDD、SSD 的成本，其中对象存储的容量成本是 HDD 的 1/10, 是 SSD 的 1/30 。而且，使用 COS 作为存储后端，无需进行硬件采购、部署和运维，可以节省运维工作和托管成本。

数据迁移成本

数据备份文件导出后直接迁到对象存储中，可以无脑在 Databend 进行挂载，通过读取备份文件的表对象信息完成创建表和加载数据。

关联查询能力

查询方式简单，兼容 MySQL 协议，可不用改变 Mysql 的使用习惯，直接无需过多改动即可通过原来的业务 SQL 进行关联查询。

Datebend 方案

Databend 目前主要服务于某医药集团的数据归档场景，具体的方案如下图所示：

大数据平台 CDH 的历史数据导出为 Parquet 格式文件。

通过腾讯云的文件迁移同步工具cos_migrate_tool将备份文件传输至腾讯云COS。

Databend 采用单节点部署方案，直接加载对应 COS ，自动识别 COS 下文件。

数据加载流程

要使用 Databend 进行历史数据关联查询，数据加载链路是关键。

使用 Stage 挂载备份的历史数据

Databend 支持创建外部 Stage 来关联和管理位于不同存储服务中的数据。COS 提供兼容 S3 的 API 接口，可以方便通过 S3 协议访问数据。

Databend 也支持 COS 的原生 API ，可以提供高性能和稳定的数据访问支持。

创建 Stage

create stage if not exists mystage url ='s3://cos-bucket/backup/' connection=(endpoint_url='https://cos.ap-guangzhou.myqcloud.com' access_key_id='ACCESS_KEY_ID' secret_access_key='SECRET_ACCESS_KEY');

查看 Stage 中的文件

list @mystage;

加载 Stage 中数据到 Databend

Databend 支持模式推断，可以根据数据文件获取相应的表结构，从而简化建表过程。同时，Databend 也支持直接查询 Stage 中的数据文件，方便进行临时分析和数据诊断。

从文件中获取表结构来创建表

create table t1 as select * from @mystage/bi/t1/ (pattern=>'.*parq') limit 0;

加载文件往表中写入数据

copy /*+ set_var(max_threads=5) */ into t1 from @mystage/bi/t1/ pattern='.*[.]parq' file_format=(type=parquet);

查询

Databend 支持复杂的查询语法，可以满足平时业务需求。

简单查询 10 条数据

select * from t1 limit 10;

现状与总结

目前使用 Databend 和腾讯云 COS 技术组合后，大表数据的查询加载速度提升了2倍，满足日常的数据审计查询需求。采用 COS 作为 Databend 的存储后端相比于 CDH 本地盘和副本模式，成本降低了约15倍。

采用 Databend + COS 有非常不错的体验，简单易用、查询迅速，登录腾讯云即可使用【https://console.cloud.tencent.com/cos/dataEcology】，对业务常用的历史数据查询无缝切换，极大地缩短了项目周期，提升了效率，减少了业务方的焦虑。