链家网自2014年成立后，全面推进020战略，打造线上线下房产服务闭环，公司业务迅速增长，覆盖全国28个地区，门店数量超过8000家。随着链家集团积累数据的不断增多，在2015年专门成立了大数据部，推进集团内各公司数据资产的整合，以数据驱动公司业务的发展。

链家将房地产交易大数据分为物的数据、人的数据、行为数据三大块来进行研究。

• 物的数据，主要是构建了全国的楼盘字典，拥有专业的摄影测量团队实地勘测，收录了7000万套房屋的详细信息，包括小区周边、人文素养等等。

• 人的数据，包括买家、业主、经纪人三方，目前在全国有13万经纪人，对经纪人的背景、从业年限、资历、专业能力、历史行为有详细记录，给客户更加精准的参考。目前链家网服务的买家和卖家超过两千多万，对用户进行画像，然后推荐更加合适的房屋。

• 行为数据，包括线上行为和多样的线下行为，譬如线上的浏览日志，线下的看房行程等。

通过分析这些数据，找到与业务的结合点，目前大数据在链家网具体的应用场景有房屋估价、智能推荐、房客图谱、BI报表。

大数据部成立以后，借鉴业界成熟的数据仓库方案，设计的早期架构图如图1所示：

在这个阶段我们主要做了三件事：

• 搭建hadoop集群，初期只有10多台机器，随着业务的发展，集群规模也在不断增长。

• 采用HIVE构建数据仓库，数据仓库里的数据来源于业务方的mysql数据库和log日志。

• 定制化报表开发，按照业务方的需求，case by case做一些BI报表展示，满足业务方对数据的分析。

这个架构简单清晰，这样做有三个好处：

• 使用开源的组件，方便扩展和运维；

• 采用业界成熟的数据仓库方案，数据仓库分层模型设计；

• 有利于技术人员培养，技术团队在成长初期技术选型需要考虑市场上人员情况，所以选择了使用范围广的技术。

具体讲讲HIVE数据仓库的模型，该模型一共分为5层。

• 最下面是STG层，用来存储源数据，保持与数据源完全一致；

• 第二层是ODS层，会进行数据清理等工作，譬如不同业务系统的城市编码不一致，有的001代表北京，有的110代表北京，在ODS层进行维度编码的统一处理。还有不同业务系统的金钱单位不一致，有的是元、有的是分，在此统一采用分为单位，保留两位小数；

• 最上面是报表层，根据业务需求进行加工处理，产出报表数据。至于数据仓库遵循的范式结构，目前没有严格一致地规范，星型模型和雪花模型都有采用。

早期的大数据架构落地后，支撑了将近一年时间，从2015年初到2016年初，取得了不错的效果。

• 收集汇总了集团内各个分公司、各条产品线的数据，便于交叉分析。通过对比分析数据，能帮助业务系统更好的发展。

• 支撑集团内大部分报表需求，帮助运营人员改进决策，数据驱动。 巧妇难为无米之炊，当数据仓库积累了大量历史数据，数据挖掘的同学就能进行深度分析。

大数据平台化体系的建设 

为什么要做平台化？

主要原因还是随着公司业务的快速发展，数据需求迅速增多，早期的大数据架构遇到一些新挑战。

• 数据需求快速增长

链家业务增长到全国多个城市，各个城市的报表需求很多，而且由于各个地方的政策不太一样，报表需求也有所差异，此外还有大量的临时统计数据需求。为了能快速响应需求，我们提出平台化，通过提供各种数据处理和探索工具，让用户自助高效地获取一些数据。

• 数据治理亟需规范

各条产品线的数据都进入仓库以后，由于需求很急迫，一些建模规范未能有效执行，导致仓库里数据冗余繁杂，wiki更新维护不及时，难以清晰掌握数据仓库里数据整体概况。指标定义不清晰，一些数据需求人员按照自己的理解制定指标含义，结果上线后，发现不同的人对指标理解不一致，导致返工。

• 数据安全迫在眉睫

对数据的申请需要进行集中的审批管理，对数据的使用需要进行持续的追踪备案，防止数据泄露。

为了解决存在的这些问题，我们提出了新的平台化架构图。平台化架构数据流图如图2所示：

对比新老架构图可以看出，首先是多了红色的实时数据流部分，日志log采用flume对接Kafka消息队列，然后使用SparkStreaming/Storm进行日志的分析处理，处理后的结果写入到Hbase供API服务使用。

另外，在OLAP部分，引入了Kylin作为MOLAP处理引擎，会定期将Hive里面的星型模型数据处理后写入Hbase，然后Kylin对外提供数据分析服务，提供亚秒级的查询速度。

图中右边是数据治理相关组件，有数据权限、数据质量、元数据等。在新的平台化架构图中，我们将大数据工程平台分为三层，由上到下分别是应用层、工具层、基础层，如图3所示：

3.1 应用层

应用层，主要面向数据开发人员和数据分析师，重点解决三类问题：

• BI报表产出速度如何加快，缩短业务方从提出数据需求到报表产出的时间周期。

• 数据治理，对公司的核心数据指标进行统一定义，对元数据进行管理，集中数据的审批流程。

• 数据流转集中管控，数据在各个系统间的流转统一走元数据管理平台，能很方便排查定位问题。

为了加快BI报表产出，我们开发了地动仪自助报表，在数据源已经就绪的情况下，目标是5分钟完成一个通用报表的配置，得到类似 excel表格、柱状图这种图表效果，目前已经支持 mysql、presto 、kylin等各种数据源。另外，如果需要定制化的Dashboard报表，自助报表也支持复用一些图表组件。

元数据管理系统

元数据对公司的所有数据信息进行管理维护，通过数据地图，可以看到公司数据仓库里的所有数据以及数据信息的变更情况，方便用户进行搜索查询。指标图书馆对指标进行详细的描述定义，而且可以对每个指标关联的维度进行管理，维度表以及维度取值的描述。另外，基于元数据我们还可以做数据血缘关系，方便追踪数据的上下游关系，能够快速定位排查问题。

元数据管理系统上线后，取得了以下三个成果：

• 所有表的创建修改都经过元数据系统，可以实时清晰掌握仓库里的数据情况。

• 成立了公司级别的数据委员会，统一制定公司的核心指标，各个部门可以自定义二级指标。

• 数据的接入和流出都通过元数据系统集中管控，所有的日志接入、mysql接入通过元数据来配置，数据申请也是走的元数据，方便集中管理运维。

● 3.2 工具层

工具层定位于通用工具组件的开发，为上层应用提供能力支撑，同时解决用户在使用大数据计算中遇到的实际困难。譬如ETL作业任务很多、追踪排查问题比较麻烦、数据修复时间长、Hue hive查询速度比较慢、一个sql需要等待几分钟。

图4是实际工作中一个典型的数据任务链路图，抽取了作业链路中的一部分。

从图中我们可以看到以下信息：

• 任务链路特别长，可能有6层之多；

• 任务种类多，既有mysql导入任务，也有hive-sql加工任务，还有发送邮件的任务；

• 依赖类型比较复杂，有小时级别依赖分钟任务，也有日周月季互相依赖的任务。

对于这种复杂的数据链路，之前我们采用oozie+python+shell解决，任务量有5000多个，维护困难，且遇到数据修复问题，难以迅速定位。为了解决这些问题，我们参考了oozie、airflow等开源软件，自主研发了新的任务调度系统。

在新的任务调度系统上，用户可以自助运维，对任务进行上线或者重跑，而且可以实时看到任务的运行日志。以前可能要登陆到集群机器上上查看日志，非常麻烦。

调度系统上线后，取得了非常好的效果：

• 任务配置简单，在图形上简单的拖曳即可操作。

• 提供常用的ETL组件，零编码。举个例子，以前发送数据邮件，需要自己写脚本，目前在我们界面只需配置收件人和数据表即可。

• 一键修复追溯，将排查问题修复数据的时间由一人天缩减到10分钟。

• 集群的资源总是紧张的，目前我们正在做的智能调度、错峰运行，保证高优先级任务优先运行。

Adhoc即席查询，之前我们使用的hue，速度比较慢。通过调研市面上的各种快速查询工具，我们采用了Presto和Spark SQL双引擎，架构图如图5所示：

 3.3 基础层

基础层偏重于集群底层能力的建设和完善。遇到的问题集中在两个方面：

• 任务量剧增，目前每天有一万多JOB，造成集群资源相当紧张，排队严重。

• 集群的数据安全需要规划，而且由于多个部门都在使用集群，之前未划分账号和队列，大家共同使用。　

针对这些问题，我们在基础层做了一些改进。

在集群性能优化方面，通过划分单独的账号队列，资源预留，保证核心作业的执行，同时与应用层的权限管理打通，对不同的目录按照用户归属限制不同的权限。随着集群数据的膨胀，不少冷数据无人管理，我们在梳理后，将冷数据迁移到AWS S3存储。