开源 SPL 打破数据库计算的封闭性

我们知道,数据库的数据处理能力是封闭的。所谓封闭性,这里是指要被数据库计算和处理的数据,必须事先装入数据库之内,数据在数据库内部还是外部是很明确的。

数据库一般有 OLTP 和 OLAP 两个用途。对于 OLTP 业务来讲,因为要保证数据的一致性,而一致性只有在一个确定的范围内谈论才有意义,这样就自然就会带来封闭性:数据库系统将保证也只负责数据库内部的数据的一致性。

不过,OLAP 业务却没有数据一致性的要求。而用于 OLAP 业务的数据仓库也常常是用数据库来充当,这样的数据仓库也顺便继承了这个封闭性。

数据库的名字中有个“库”字,这会让人觉得它是个以存储为主要目的的产品。其实不然,在实际应用中,特别是在大数据场景下,数据库有相当多的作用是计算,对于 OLAP 业务几乎可以说是全部,其存储经常也是为了计算服务的。因为数据库的计算能力还不错,远远超过大多数其它软件产品,所以人们经常会为了计算目标而部署数据库。

但是,一个以计算为主要任务的产品,没必要绑定封闭性这样的特点。数据库的封闭性会带来诸多问题,且越来越难适应当代的需要。

数据库封闭性带来的问题

ETL 变成 ELT 甚至 LET

一个典型的现象就是 ETL 经常被做成 ELT 甚至 LET。ETL 是 E、T、L 这三个步骤,本来设计得很合理,先 E 再 T 再 L。但是,ETL 中的 E 和 T 这两步事实上也是某种计算,如果计算能力被封闭到数据库之内的话,我们就只能先把数据装入库中才能计算了,因为无法计算库外的数据。然而 ETL 过程中的原始数据常常并不在库内,或者至少不在这个用于计算的数据库中,也可能存在于多个数据库。结果,都需要先做个同库动作之后才能再计算,也就是要先 L 才能去做 E 和 T,打乱了 ETL 的合理次序。

数据库的封闭性,相当于城市有个城墙,数据要进出也必须通过数据库的城门,过程中还要进行一些检查。对于 OLTP 业务,为了保证一致性,这些检查是有必要的,但也会损失数据库的 IO 效率,而这对于 ETL 这类业务几乎没有意义,只是浪费时间而已。

中间表带来的资源消耗和耦合

还有中间表。原始数据量很大时,直接基于原始数据计算汇总信息(如报表查询)时的性能会很差,用户体验恶劣。这时,我们会先把一些汇总结果事先计算出,再基于这些中间结果做呈现,用户体验就会好很多。有时候是因为计算过程很复杂,在生成报表时临时计算会使报表开发过于繁琐,也会采用中间数据事先计算好。这些中间数据通常会以数据表的形式存储在数据库中,也就是中间表。之所以存储在数据库中是为了获得进一步的计算能力,中间数据也不是直接使用的,在报表查询时还需要再做少量计算,而基于数据表实施计算(SQL)相对其他方式更方便。

前端统计是业务稳定性比较差的业务,会经常修改和增加,随之而生的中间表也会越来越多。

前面说过的 ETL 变成 ELT 和 LET 由于需要事先入库也会形成很多中间表。

中间表一方面会占用大量存储空间,数据库空间非常宝贵,扩容成本很高。另一方面,中间表还会伴随着存储过程去定时更新数据,消耗数据库计算资源,导致数据库性能下降。

过多的中间表还会带来管理困难,数据库的表是以线性形式组织管理的。在数量不多时尚可,太多(几千上万时)就很难理解,人们一般会采用树状多层结构来组织管理众多的条目。但关系数据库并不支持这种方案(有个模式概念可理解为只能分两层),这时候就要给表较长的命名来区别其分类,使用不便,对开发管理水平要求还高,在工作较急迫时常常顾不上规范,而随便起个名字先把任务完成再说,时间长了,就会遗留大量的混乱中间表。

不仅如此,中间表还会造成各个应用间的紧耦合问题。数据库是一个独立进程,其计算能力在应用外部,不从属于某个应用。各个应用共享数据库,都能访问数据库的资源。某个应用(模块)中生成的中间表可能被另一个应用(模块)调用,这就造成了应用(模块)之间的耦合性,即使某个中间表的制造者已经下线不用,但因为可能被别的应用使用了而不能删除。这样不断新增,中间表的数量会越积越多更加加剧数据库存储容量和计算资源告急的情况。

多样性数据源

当代应用中多样性的数据源越来越普遍,经常有来自外部服务的数据。如果为了计算这些数据而先把它们转入数据库中,也是非常累赘的。临时转入的效率很低(因为数据库的 IO 成本高),很可能跟不上访问需求,定时批量转入又很难获得最新的数据,同样影响计算结果的实时性。

把外部数据存储在数据库中,又会形成众多中间表,面临中间表的各种问题。而且有些互联网上取过来的数据常常是多层的 json 或 XML 格式,在关系数据库中还要建立多个关联的表来存储,会进一步加剧中间表的问题。

存储过程带来的安全和耦合问题

除了中间表,还经常会使用存储过程,虽然存储过程缺点很多(缺乏移植性、编写调试困难等)。为什么会这样呢?由于数据库计算必须在封闭的库内完成,但有些复杂计算通过一句 SQL 很难实现,而存储过程支持分步计算,且可以利用数据库计算能力,因此大家不得不容忍其缺点。

查询分析类的存储过程是需要经常修改的,由于存储过程与数据库紧密结合,如果程序员每次修改存储过程代码,都要提交给数据库管理员去审核编译,多了环节无疑会降低工作效率。要么给程序员赋予编译存储过程的权限,这样倒是提高效率了,但存在严重的安全隐患,因为编译存储过程的权限过大,程序员有可能误删数据,甚至删除其他应用的数据。其实,查询报表类业务只需要有读权限就可以了,本来不会对数据库造成误写入,但使用存储过程机制却无法避免。

不仅如此,存储过程也会造成应用间的紧耦合,其内在原因和中间表是一致的,同一个存储过程被多个应用(模块)共用导致应用间的耦合性。

大数据性能导致的尴尬

随着业务的发展数据量越来越大,查询性能随之下降,严重时还会影响生产系统。为了保证业务稳定性通常会数据分库,将历史冷数据和当期热数据分库存储,实现冷热数据分离。查询大量冷数据时不会影响生产系统,查询热数据由于数据量很小也不会对生产系统造成很大压力。

但是,冷热数据分离会导致很难完成实时数据(T+0)查询。数据库的封闭体系不允许或很难计算库外的数据,包括跨库查询。而冷热数据分离后,要查询实时数据又必须跨库。同类数据库还有一些跨库查询的手段,虽然性能很差但至少还可以实现。而实际业务中冷热数据存储的数据库类型往往并不一致,热数据在生产系统中更多使用擅长 OLTP 业务的 RDB,而冷数据经常会采用专门面向 OLAP 业务的数据仓库。跨异构库查询对数据库来说就更加难以实现了。

数据库封闭性引发的这些问题会伴随技术进步不断放大,传统“有库”的方式似乎越来越难适应现代应用架构的需要。

开源集算器 SPL 的出现,将解决这些问题。

SPL(Structured Process Language)是专业的结构化数据计算引擎,提供了丰富的计算类库,支持过程计算,擅长完成各类复杂计算。开放计算体系支持多数据源混合计算,数据无需“入库”就可以直接计算,SPL 支持热切换,提供标准 JDBC 接口。

开放的 SPL 解决方式

多样源直接计算

不同于数据库需要数据先入库再计算,SPL 面对多样性数据源时可以直接计算。数据入库不仅时效性差,也无法保证数据的实时性。此外不同数据源有各自的优点,文件的 IO 效率很高,NoSQL 可以存储文档数据,RDB 计算能力较强,数据入库就无法享受这些优点了。

SPL 提供了开放的数据源支持,你听说过还是没听说过的数据源几乎都能支持,不仅可以连接取数,还可以进行跨数据源混合计算。SPL 可以充分利用各类数据源的优点后,再实施跨源计算也更加高效。

回归 ETL 的本来过程

SPL 拥有独立于数据库的计算能力,本身可以基于多源完成各类数据处理。这样 ETL 中的 E 和 T 两步都可以在库外使用 SPL 完成,最后将计算整理好的数据再 L 到数据库中,从而实现 ETL 本来应有的三步:E、T、L。

甚至有的时候 ETL 结果也可以不装载到数据库,将结果存储到文本中,或者采用 SPL 的私有数据格式还可以获得更高的查询性能,进一步释放数据库压力。

库外存储过程机制解决安全性

SPL 的计算能力不依赖数据库,可以在库外实施计算。与存储过程类似,SPL 支持过程计算,可以将任意复杂的计算拆分成多步,逐步实施。这样原来不得不依赖存储过程的两个能力(计算和分步)就完全可以使用 SPL 替代,实现“库外存储过程”。

库外存储过程创建和使用不需要对数据库有写权限,使用存储过程带来的安全性问题就可以有效避免。

文件替代中间表减少数据库压力并降低耦合

基于 SPL 的文件(多样源)计算能力,可以将以前不得不存在数据库内的中间表外置出来,存储在文件系统中,再借助 SPL 独立的计算能力完成中间表再计算。

从中间表的角度,也可以将 SPL 的实现视作“库外中间表”。保存在库外除了剥离开数据库减少数据库压力外,中间表文件还可以借助文件系统的树状结构进行管理,不同应用不同模块使用的中间表(存储过程也一样)与该应用模块一同存储,别的模块不会共用,这样就解决原来共用中间表产生的应用间耦合性问题。

冷热分离实现 T+0 查询

SPL 提供了数据路由功能,可以根据计算需求选择对应的数据源以及跨数据源混合计算。如冷热数据分离后,基于 SPL 可以很方便实现全量数据查询,同时对上层应用透明就像基于一个数据库查询一样。

特别地,历史冷数据还可以存储到文件(IO 快、压缩灵活、易并行)中,再借助 SPL 的跨源计算能力,将数据库(热数据)和文件(冷数据)混合计算就可以获得更高效的 T+0 查询性能。同时,使用 SPL 自有的高性能数据格式还可以进一步提升运算性能。

不仅如此,SPL 的开放性决定了 SPL 很容易与现代技术架构结合。将 SPL 集成到微服务中就可以替代 Java 完成数据处理工作,在数据中心中也可以充当计算引擎实现数据处理,从而更能适应现代技术架构的需要。