Pinterest使用MemSQL和Spark Streaming进行实时数据分析

Pinterest 是一家提供可视化书签工具的公司，这种工具可以帮助人们发现并保存有创意的想法，目前这家公司正使用实时数据分析来达到以数据驱动决策的目的。 实验 中使用了 MemSQL 和 Spark 这样的技术，用以分析来自全球的用户实时行为信息。

通过MemSQL和Spark，Pinterest创建了一条数据管道。这条管道通过 Apache Kafka 使数据流入MemSQL，并且通过 Spark Streaming API向Spark输入数据（译者注：数据流向是Kafka -> Spark -> MemSQL ，见图1）。这个方案对了解全球用户如何使用Pins（译者注：即可视化书签）提供了实时性的洞察。这有助于Pinterest成为一个更好的推荐引擎， 它可以显示相关的Pins，人们会在不同的场景下来使用这种服务，比如为购物、去某个地方和烹饪食谱做个计划。

Pin的行为数据（engagement data）先被送入到Kafka主题（Topic）中，接着它被Spark streaming作业消耗掉。作业中每个Pin会进行过滤，然后加上其地理位置和Pin的类别来充实其信息。接着再通过 MemSQL Spark 连接器 （MemSQL Spark Connector）将充实后的信息持久化到MemSQL数据库中以提供查询服务。MemSQL Spark 连接器提供了Spark读写MemSQL数据库的工具，它使用MemSQL RDD（Resilient Distributed Dataset）从MemSQL读取数据。

综上所述，这个方案框架可以支持实时地收集、存储和处理用户行为数据。同时，它也可以帮助获得下面这些能力：

• 高性能事件日志：即使用一个叫Singer的代理来收集事件日志，然后把它们运送到集中的数据仓库中。
• 可靠的日志传输和存储：即通过Apache kafka和一个叫 Secor 的持久化服务来可靠将这些事件写入到长期数据存储 Amazon S3 中。Secor在设计上克服了S3的弱最终一致性模型（weak eventual consistency model）的缺陷，没有数据丢失而且支持水平扩展和可选的基于日期的数据分片。
• 基于实时数据的快速查询：即在实时事件到达时就对它们执行SQL查询。

查看英文原文： Real-time Data Analytics at Pinterest using MemSQL and Spark Streaming