适用于小团队的数据平台、数据仓库解决方案？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 2068 天前的主题，其中的信息可能已经有所发展或是发生改变。

目前在做数据平台方面的工作，发现对大公司而言，方案其实都很固定了

但对于小团队来说，有什么好的解决方案？

早期主要是用来解决 BI，数据查询需求，可支持或不支持基于数据的机器学习项目

最好基于开源、免费
HDFS, Spark, 系统资源最好能有厂商维护, 因为这些其实运维成本都不小

目前能想到的

Google Analytics/Mixpanel 埋点 + 业务数据库备份用 Metabase/Superset 查看

但不知道好的 ETL 工具用啥，莫非用 airflow? MySQL 库是否就足够了？

数据

方案

Mixpanel

superset

28 条回复 • 2019-03-28 08:40:21 +08:00

LightLolo

2019-03-09 13:30:12 +08:00

ETL 工具可以尝试一下 kettle。

liprais

2019-03-09 14:56:45 +08:00

etl hive spark 搞搞就完了
可视化 superset / zeppelin / Jupyter 哪个简单用哪个
小公司小团队就别搞啥数据仓库了，工作量太大，搞个数据集市收工

ddkk1112

2019-03-09 17:01:56 +08:00 via iPhone

先确定数据分析支持的业务范围
自己采集数据后可以上传阿里云计算，或者直接阿里云采集并计算
数据展示用 flask+element，一周就可以成型

hilbertz

2019-03-09 17:14:20 +08:00

用 greenplum 就可以了

cqcn1991

2019-03-09 18:36:54 +08:00 via Android

@liprais 啥意思？ hive/HDFS 的维护需要多少人？

cqcn1991

2019-03-09 18:51:24 +08:00 via Android

@ddkk1112 是要用阿里云的什么产品？

sampeng

2019-03-09 18:54:15 +08:00 via iPhone

直接上云…讲真。这些需求小团队肯定是上云成本最低。无论哪个角度

cqcn1991

2019-03-09 18:58:31 +08:00 via Android

@sampeng 啥意思？ AWS red shift ？

sampeng

2019-03-09 19:01:57 +08:00 via iPhone

@cqcn1991 网络没问题。如果是海外用户肯定 aws 了。国内不好推荐…没用过…主要是数据的可靠性。腾讯和阿里都出过数据丢失…

sampeng

2019-03-09 19:02:58 +08:00 via iPhone

@cqcn1991 只是做离线数据分析，日志分析的。我觉得… aws 吧…

sampeng

2019-03-09 19:05:11 +08:00 via iPhone

最近也正好看到这块。小需求…小团队的需求。aws 都不需要 ec2。全家桶。几天成型。把数据灌进去就能用了

cqcn1991

2019-03-09 19:08:37 +08:00 via Android

@sampeng aws 除了 red shift 还用些啥产品呢？也是自己部署些应用？有啥推荐的教程之类吗？

sampeng

2019-03-09 19:13:43 +08:00 via iPhone

@cqcn1991 其它的没了解…不用部署应用…鼠标点点。给你入口，api 把数据灌进去。就能用了…文档很细致了。自己看官网教程吧。算一下费用能不能接受…都是按使用量收费，精确到请求次数。其实阿里云国内也可以。看你看重什么…

sampeng

2019-03-09 19:16:10 +08:00 via iPhone

@cqcn1991 aws 大计算和 ai 那么多产品呢。总有一个适合你。最不济的。连 elk 都给你准备好了。再高级点就是 emr 了。你要的 hdfs 和 spark。flink 啥的都有。你要的帮你维护机器和程序自己撸用例。

sampeng

2019-03-09 19:17:17 +08:00 via iPhone

但按你的最近需求。真的 elk 完全够用…几年十来万差不多了…

cqcn1991

2019-03-09 20:01:16 +08:00

@sampeng 谢谢大哥！
想问一下，关于数据平台，从几个人，到小团队到大团队的演化，有什么文档、教程吗？
比如你说的，用 AWS/阿里云 ELK 一直到 HDFS/Spark。因为我知道的就是自研 HDFS+各种自研产品...

fredliang

2019-03-09 20:11:25 +08:00 via Android

阿里云可以大概过一下 dataworks 的文档，写的已经比较完善了。如果没有很强的自建需求，从经济和研发成本来看公有云应该是最好的选择。

likuku

2019-03-09 22:32:52 +08:00 via iPhone

@cqcn1991 也可以直接打电话找 aws 售前技术支持咨询下，若比较合意，花点小钱买个 aws 技术支持服务，可以详细和专业大佬讨论方案。

sampeng

2019-03-09 22:33:52 +08:00 via iPhone

@cqcn1991 官方文档…没有之一。实在怕搞不定。都 support 服务。每月 10%支出。甚至会给你架构建议

sampeng

2019-03-09 22:34:55 +08:00 via iPhone

@cqcn1991 演化就是踩雷的过程。没雷了就演化结束

wc951

2019-03-10 00:34:36 +08:00 via Android

cdh 社区版，etl 用 kettle

qwingmix

2019-03-26 17:08:39 +08:00

我们是一致用 GA+google tag manager, 我觉得日活在 10W 以下的基本够用，各种实时啊，聚合啊，埋点专题分析啊，都足够了。python 写脚本定制一些专题，导入到本地数据库，也足够了。最后用 superset 展示。
其实你上面也写了这个方案。

cqcn1991

2019-03-26 17:23:50 +08:00 via Android

@qwingmix 话说你们数据怎么导入的？ bigquery 导出？

用的什么数仓？直接 postgre 备份主库？还是？

qwingmix

2019-03-27 08:40:58 +08:00

@cqcn1991 直接通过 python 脚本导出到 mysql，复杂一点的，就先在 python pandas 里面做计算，计算完再导出到 mysql。主要是 python 里面找到一个可以无抽样导出的轮子，轻松解决 GA 数据结果抽样的问题。

cqcn1991

2019-03-27 12:48:39 +08:00 via Android

@qwingmix 恩，那 GA 的数据咋进去的？先进，big query 吗？

qwingmix

2019-03-27 14:01:19 +08:00

@cqcn1991 啊？ GA 的，就用 GTM 在 web 和 app 里面调用 GA 的 api 埋点啊。

cqcn1991

2019-03-27 18:50:33 +08:00 via Android

@qwingmix 那 GA 的原始数据你们拿回来吗？

qwingmix

2019-03-28 08:40:21 +08:00

@cqcn1991 仅仅部分会拿，比如 event label 里面塞满了我们自己的维度组合，GA API 拿到本地后分割开来。一般都不拿原始数据。