Modern Data Stack 下 Data Integration 生态（下）

前言

上一篇介绍了什么是 modern data stack,这一篇继续来梳理下，在modern data stack 下面常见的产品都有哪些。

业界一些常见的产品（按主要场景分类）

数据同步/迁移（关系型数据库）

• 分类说明

关系型数据库迁移主要是在日志监听和回放，事务一致性等有独特的技术需求。其中 AWS DMS，阿里的 DTS 算是典型代表。

• AWS Database Migration Service

通过 AWS DMS 可以实现同构数据库迁移，异构数据库迁移，多个数据库整合成一个数据库，在线数据库同步，通过 AWS Schema Conversion Tool (AWS SCT) 可将源数据库架构和大部分数据库代码（包括视图、存储过程和函数）自动转换为与目标数据库兼容的格式。

• 阿里 DTS

这个领域阿里的 DTS 做的功能会更成熟一些；主要解决的也是各种数据库上云、迁移的问题，细节就不具体展开了。

数据分发

• 分类说明

在数据处理架构里面，一般都是承担消息的分发功能，高效的分发能力，包括批量，实时，以及对周边系统众多的 adapter 是核心能力，最典型就是 kafka。

• Kafka / confluent

Apache Kafka is an open-source distributed event streaming platform used by thousands of companies for high-performance data pipelines, streaming analytics, data integration, and mission-critical applications.

kafka 核心的能力还是在分发，confluent 是 kafka 商业化公司，下面是 kafka 和 Fivetran 的一个简单对比:

当能用户也能通过 Confluent 支持的 mysql CDC + ksqldb （kafka 上面的计算能力） 组合去实现 ETL 的一些功能。

• puslar

Apache Pulsar is a cloud-native, distributed messaging and streaming platform originally created at Yahoo! and now a top-level Apache Software Foundation project

Pulsar 就像一个合二为一的产品，不仅可以像 Kafka 那样处理高速率的实时场景，还支持标准的消息队列模式，比如多消费者、失效备援订阅和消息扇出等等。Pulsar 会自动跟踪客户端的读取位置，并把这些信息保存在高性能的分布式 ledger（BookKeeper）当中。

与 Kafka 不同，Pulsar 具备传统消息队列（如 RabbitMQ）的功能，因此，只需要运行一个 Pulsar 系统就可以同时处理实时流和消息队列。

ELT

• 分类说明：

核心是要对接各种数据源，投递到目标（一般是数据仓库）中进行进一步的处理，以及支撑数据分析。其中 Fivetran 是目前相对比较头部的公司。

• Fivetran

主要数据集成，支持各种应用、数据库，事件、文件、Functions 服务里面的数据集成

转换主要支持两种方式，

• 一种是在目标库中支持Basic SQL Transformations
• 一种使用 dbt Transformations。
• 超过 2000+ 客户
• 支持 150+ connectors
• 收购 HVR，增强传统数据库的复制能力
• Stitch

Stitch rapidly moves data from 130+ sources into a data warehouse so you can get to answers faster, no coding required.包括 SaaS、Database、Webhooks.

Talend 旗下的产品 https://www.talend.com/

• Segment

• 从网站、移动设备，server，cloud app 上收集收据

•和 personas 合作

Personas is a powerful personalization platform that enables you to create unified customer profiles in Segment, to build and enrich audiences, and to activate audiences across marketing tools

• Airbyte

其中转换部分使用了 dbt 的能力。

Data transformation and modeling

• 分类说明

这个主要是和数仓结合，数仓的上层管理数据转换和模型构建。

• dbt

• 主要作用：简化数据分析代码编写，CI/CD、文档，依赖关系管理等。

• 专门做 transformation，支撑 snowflake, bigquery , databricks , redshift 等，具体的 transformation 其实都是 数仓自己完成，dbt 自身更像是一个 数仓开发的 devops 工具，帮助把数仓开发（写SQL、存储过程）这些事情 CI/CD，依赖关系，版本管理起来。

•databricks 等都集成了 dbt 做 transformation

• Dataform

• Congtinual 补齐数仓上面的AI 一层，核心功能：build continually improving predictive models

•Feature store + AI Engine

Reverse ETL

• 分类说明

把数据从各个源头，投递到SaaS软件，解决数据的最后一公里。

• Census，其他还有Hightouch 和 Omnata

把数仓数据挪到 SaaS 工具中，不需要写代码，只需要 SQL

简单总结

• Modern data stack 下面 data integration 的产品非常多，各个领域相对比较有名气的是 AWS DMS、confluent、Fivetran、dbt、Census等。
• Modern data stack 都在不同层面去降低客户使用数据的难度以及帮助发现客户的价值，典型的 dbt，reverse etl 。
• 另外，传统我们思考的是怎么降低运维难度，比如分布式数据库，比较早期一个出发点就是解决数据库主备不一致的问题。当能从开发难度讲，SQL 可能足够简单，数据库里面 SQL 就是一个解决开发难度最好的典范。但是我们可以从 modern data stack 里面仍能可以吸取的是，未来怎么降低开发的难度，可能会更有价值，比如 dbt 帮助去解决数据分析开发的 依赖，从而从更更层面承担了 transformation 的能力。从数据最后变成价值，里面还有还有很多非常有难度的事情去做，而解决这个本身就是产品平台型产品最大的价值。