双11实时物流订单实践

简介：随着双11的开启，物流业也迎来了年度大考。2021年双11期间，递四方作为物流仓储服务方，布局仓库和分拣点超40+个，50w+平米作业场地，单日订单峰值达千万级别，海量购物订单由递四方配送到家，消费者由尾款人秒变收货人。

作者 | 梅酱
来源 | 阿里技术公众号

随着双11的开启，物流业也迎来了年度大考。2021年双11期间，递四方作为物流仓储服务方，布局仓库和分拣点超40+个，50w+平米作业场地，单日订单峰值达千万级别，海量购物订单由递四方配送到家，消费者由尾款人秒变收货人。

一业务介绍

递四方成立于2004年，创业在深圳，是国内最早的国际物流和全球仓储服务物流供应链服务商，主要为从事跨境电商的客户、平台以及普通用户提供仓储物流服务，以GPN(直发订单)和GFN(海外仓储)两张网络为客户提供更好的全球跨境电商优质生态环境，致力于帮助中国企业走向全球，目前在全球超过100+家分支机构，服务全球约100万家跨境电商商户与超过2亿跨境电商终端用户。

二业务挑战

为了应对双11单日峰值达到千万级别订单的状况，递四方运用大数据合理优化资源，提前做好全球仓储人力、物力、运力配置，保障仓储各流程高效、有序进行。从今年10月中下旬开始，上海转运中心和东莞转运中心相继启动。截至目前，递四方陆续在华东、华北、华南新建、扩建超级枢纽、揽收仓至40余个，继续加大在全国的布局；在国内拥有40个+分公司/分拨服务网点，全国50万+平方米办公/作业场地面积。

在业务方面，递四方借助自主研发分拣系统和云技术，快速进行条码识别，按指令分拣，实现称重分拣一体化全面覆盖，保证每一票货物都可自动识别、精准分拣出库。称重及分拣，已从传统人工模式升级为100%人工管控模式。此外，递四方信息科技的黑科技硬件——红光在此次“双11”首次亮相。在分拣效率不变的情况下，递四方信息科技用光幕等技术手段，对分拣机落格包裹进行核验，将库内错分率降低至万分之三，达到业界领先水平。尤其针对仓库环节，不断加大对库内的自动化、数字化、智能化建设，结合大数据、AI算法、云计算等手段进行系统的研发升级，引进高科技设备来提升产能、保障时效。

随着双11期间订单量剧增、应用的复杂度提升，我们的业务系统也经受着严峻的挑战，原来的实时数仓架构已经不能满足业务当前的需求。在寻找新的解决方案时，我们对比了业界常用的大数据实时查询数据库，比如HBase、ClickHouse、Druid，但在千亿级别数据多表连接查询时都遇到了瓶颈，无法满足业务实时性、服务稳定性的要求。

实时数仓在递四方的应用场景应用主要有以下几个方面：揽收、库内操作、仓间调拨、清关交邮预警监控，这里面包含着单票运转操作的每一个步骤。这些场景都需要做到实时监控，并且实时做出决策来提高物流的的整体时效。尤其是在双十一高峰期的情况下，如果人力或资源分配不足，很容易使某一环节堵塞，进而影响整体物流的时效。在技术的层面，我们有很多个业务系统，这些系统之间既有一致性也有独立性，一个复杂指标涉及到多个系统多张表，因此我们实时数仓对表连接查询能力非常强，而且对数据的更新插入速度也有着很高的要求。

今年双11，我们对支撑业务的实时数仓系统进行了升级，通过新一代基于flink+hologres的实时数仓系统，在物流订单量相较于去年增加多倍的情况下，仍然能够实时监控每一票订单的物流情况、每一个仓库的作业情况，并且实时数仓整体成本下降50%，真正做到了“多、快、好、省”。

下面我们将会具体介绍递四方实时数仓的升级演进之路。

三递四方实时数仓之路

1 实时数仓1.0

在刚开始做第一版实时数仓的时候，时间窗口比较紧，我们要把有限的精力放到数据建模以及业务开发中，所以在对比了数据库的吞吐性以及处理能力后，我们选择了ADB。ADB在数量大很大的情况下，查询速度、插入速度都很快，而且支持DTS、OTTER等数据同步接入，同步性能很好。

数据源是阿里云的PolarDB、MySQL、RDS等数据库，采用阿里云的DataWork数据同步，把增量数据实时同步到ADB中，然后在ADB中做数据实时的计算，数据的任务调度在DataWork中完成。

但是当时遇到了一个非常大的问题，就是ADB的并发有限，计算任务耗费了大量的资源。在各种大屏、实时报表拉取数据的时候，高并发的情况下，ADB的延迟很高，给我们实时服务稳定性带来了非常大的挑战。

2 实时数仓2.0

经历了第一个版本的实时数仓后，我们总结了实时数仓的两个重要特性，一是实时，二是服务的稳定性。

第一个版本的实时数仓不能很好地满足稳定性，我们决定对新的实时数仓进行一个深入的研究和探索，在阿里云上看到了很多关于Hologres的应用，其性能表现极其出色，带来了不错的效果。在对比了业界不同的实时数仓架构后，我们最终选择了Flink+Hologres组合作为实时数仓。

这里一共有2条路径：

第一条路径是：通过DTS把Binlog数据同步到DataHub，然后使用Flink从DataHub中消费数据，把计算结果存储在Hologres中，这条路径主要是用于计算一些访问频率高且数据量大的数据，比如待揽收单量、入库单量、待完成单量等。
第二条路径是：业务系统的Binlog数据通过DataWorks同步到Hologres中。Hologres中分了3层，ODS层用于存放原始数据，直接加载原始日志、数据，数据保持原貌不做处理。一般情况下，以增量的方式从业务系统导入到ODS层，数据模型和粒度都与业务系统保持一致。DWD层数据明细层，对ODS层数据进行清洗。DWS为汇总层，主要存放宽表。这里主要是考虑到粒度的不一样，在Hologres中多表连接查询能够发挥其最大的作用。整个架构的任务调度依赖于DataWorks。

本次采用的批流一体即席计算查询混合模式，既发挥了Flink流计算的能力，也充分利用了Hologres强大的连表查询能力。互联网普遍运用的HBase、ClickHouse、Druid等作为实时查询数据库，我们的业务复杂度是互联网的若干倍，这些实时数据库并不能完全满足我们的需求，架构互有优劣，但我们的架构是未来五六年内业务高速增长的最佳选择。

四递四方与实时数仓Hologres

1 为什么选择Hologres

那么为什么会选择Hologres呢？通过调研发现它有几个特点，比较适合实际情况。

第一是Hologres的实时能力，满足目前递四方的实时数仓需求，支持百亿级表与亿级表之间的JOIN，秒级查询响应，还支持实时写入、批量数据导入，拥有超高导入性能，且并发能力极强。
第二是Hologres 采用存储计算分离架构，数据存储在阿里云分布式文件系统pangu中（类比开源HDFS），方便按需单独扩展计算或者存储。对快速行业来说，大促和日常所需要资源不一样，能够快速扩缩容，满足业务的动态需求。同时Hologres支持异构数据源交互分析以及离线数据和实时数据的联邦查询，Hologres已经和MaxCompute无缝打通，能够直接在Hologres中加速查询MaxCompute离线表。
第三是维护成本低、运行稳定，Hologres作为实时数仓存储成本大约是ADB的1/3。资源灵活性高，可以像MaxCompute一样灵活的升降配置，与阿里云大数据组件兼容性高，能降低运维成本和提高研发效能，不会对技术架构带来很大负担。

2 Hologres应用场景

在面向分析OLAP系统里面，Hologres承担了实时和离线数据的查询，由于Hologres既支持高并发写入，又能够满足及时查询，同时还能够支持OLAP分析，在我们的不同粒度的表进行连接的时候，能够充分发挥其优势。下面列举2个不同的场景对其做一个详细的说明。

场景一：库内操作场景

实时的数据从Binlog解析到ODS层，同时微批任务将分钟级别（范围可调）的统计数据计算到DWS宽表，同时跟离线的数据进行插入更新，就可以得到实时的全量数据表，调度采取DataWorks的调度，每5分钟调度1次。

场景2:仓间调拨场景

对于一些数据量小的表，依赖于Hologres强大的Join能力，通过视图来构建DWS中间层，如下图所示：

DWD是对ODS层过滤的视图，DWS层是DWD层聚合层的宽表，每次查询DWS层的时候，就相当于所有表重新查询了一次。这种查询语句是非常复杂的，对于关系型数据库来说，可能有性能瓶颈会非常缓慢。但是对于Hologres来说，毫秒级别查询完成毫无压力，做到了实时响应，并且节省了调度资源，同时也提升了查询的灵活性。

3 Hologres目前的不足

在使用Hologres期间也发现的一些不满足实际需求的地方：一是非空列不能建立索引，多个亿级别表连接在没有索引的情况下，查询速度下降。二是Hologres兼容Postgre生态，但支持的函数不多，在开发上与MaxCompute相比有一定的难度。