Databend x 沉浸式翻译 | 基于 Databend Cloud 构建高效低成本的业务数据分析体系

「沉浸式翻译」是一个非常流行的双语对照网页翻译扩展工具，用户可以用它来即时翻译外文网页、PDF 文档、ePub 电子书、字幕等。它不仅可以实现原文加译文实时双语对照显示，还支持 Google、OpenAI、DeepL、微软、Gemini、Claude 等数十家翻译平台服务的自定义设置，在网络上好评如潮。

随着用户量持续增长，其运营和产品团队希望在尊重用户隐私的前提下，通过业务数据为业务增长研究提供决策依据。

业务挑战

业务数据埋点指标是数据仓库中不可或缺的重要数据源之一，同时也是企业最宝贵的资产之一。通常情况下，业务数据分析包含两大数据源：业务数据分析日志和上游关系型数据库（如 MySQL）。基于这些数据，企业可以进行用户增长分析、业务数据研究，甚至通过业务数据分析精准排查用户问题。

业务数据分析的特点决定了要构建一套可扩展、灵活且低成本的分析架构并非易事，具体表现在以下几个方面：

高流量和大容量：业务数据的产生量非常大，对存储和分析能力要求高；
兼顾多种分析需求：既需支持 BI 报表的静态展示，也需满足灵活的 Adhoc 查询；
多样化数据格式：业务数据通常包含结构化数据与半结构化数据（如 JSON）；
实时性要求：需要对业务数据快速响应，实现及时反馈。

由于这些复杂性，「沉浸式翻译」背后的团队早期选择了通用埋点系统（Google Analytics）作为业务数据分析工具。这种系统只需在网站中插入 JSON 代码，或在 APP 中嵌入 SDK，即可自动采集并上传埋点数据，生成访问量、停留时间、转化漏斗等指标。

然而，通用埋点系统虽然简单易用，但在实际使用中也存在着一些不足：

数据明细的缺失。通用埋点系统往往不会提供用户具体的访问明细日志，只能在 UI 中查询预设的报表；
自定义查询能力不足。通用埋点系统的查询模式并非标准 SQL 查询接口，当数据科学家希望构建复杂的 adhoc 查询时，由于缺少 SQL 能力，难以支持复杂的自定义查询；
成本快速上升。通用埋点系统一般采用阶梯计费模式，往往到了一个阶梯时，费用会翻倍。随着企业流量的持续增长，如果要查询更大范围的业务数据时，成本会迅速增加。

此外，沉浸式翻译团队遵循最小采集原则，不采集可能存在唯一识别能力的数据，不采集具体的用户行为细节，只采集必要的统计意义上的数据而非个性化数据，如翻译耗时，翻译次数和错误异常等。在这个限制下，大部分第三方的数据采集服务被放弃。考虑到沉浸式翻译有大量的海外用户，我们也需尊重海外用户的数据使用和数据存储权，避免数据跨境传输。基于以上考虑，团队必须细粒度的控制采集行为和存储方式，自建业务数据体系成为唯一选项。

自建业务数据分析体系的复杂性

为了应对通用埋点系统的局限性，「沉浸式翻译」在业务增长到一定阶段后，决定自建一套业务数据分析体系。在进行调研后，技术人员发现传统自建架构多基于 Hadoop 大数据生态，典型实现流程如下：

在客户端（APP、网站）中埋入 SDK，采集业务数据日志 activity logs；
使用 Activity gateway 埋点指标网关，收集客户端发来的日志，并将日志转到 Kafka 消息总线；
利用 Kafka 将日志 logs 落到 Hive 或 Spark 等计算引擎；
通过 ETL 工具将数据导入数据仓库，生成业务数据分析报表。

虽然这一架构在功能上能够满足需求，但其复杂性和维护成本极高：

Kafka 需要依赖 Zookeeper ，还需要配备 SSD 硬盘保障性能。
从 Kafka 到 Data Warehouse 需要 kafka-connect ；
Spark 要运行在 YARN 上，ETL 需要 Airflow 管理；
当 Hive 存储达到上限，可能还需要将 MySQL 换成 TiDB 等分布式数据库。

这种架构不仅需要大量的技术团队投入，还极大增加了运维负担。在如今企业都在不断追求降本增效的背景下，这种架构已不再适合需要简单、高效的业务场景。

为什么选择 Databend Cloud？

「沉浸式翻译」技术团队在做架构选型时选择了 Databend Cloud 进行业务数据分析体系的搭建。Databend Cloud 凭借简洁的架构和灵活性，提供了一种高效且低成本的业务数据分析解决方案：

100% 面向对象存储，完全存储计算分离，显著降低存储成本；
Rust 编写的 Query 引擎性能高，价格低廉。在计算资源闲置时自动休眠，不产生额外费用；
支持 100% ANSI SQL ，支持半结构化数据分析（JSON 和自定义 UDF）。当用户有一些比较复杂的 JSON，可以用内置的 JSON 分析能力或自定义的 UDF，分析半结构化数据；
内置 Task 调度驱动 ETL，完全无状态，自动弹性伸缩。

在使用 Databend Cloud 后，「沉浸式翻译」放弃了 Kafka，通过使用 Databend Cloud 建 stage ，将业务日志导入到 S3 中，再用 task 导进 Databend Cloud 中进行数据处理。

日志采集与存储：不再需要 Kafka，直接将埋点日志通过 vector 以 ndjson 格式落到 S3。
数据摄入与处理：在 Databend Cloud 中创建一个 copy task 任务，自动把日志拉出来，落到 S3。很多时候，S3 在 Databend Cloud 中可以当做一个 stage，落到 stage 里面的数据可以被 Databend Cloud 自动摄取，然后在 Databend Cloud 中进行处理，再从 S3 转出去。
查询与报表分析：通过自动休眠的 Warehouse 运行 BI 报表/即席查询，休眠时不产生任何费用。

Databend 作为一家工程师文化的国际公司，其在开源社区的贡献和口碑让沉浸式翻译的技术团队相信Databend对客户数据的尊重和保护。Databend 在海外和境内的服务是相对独立的。虽然沉浸式翻译目前没有对海外用户进行统计和分析，但未来如果有对海外数据分析的需求，架构也方便迁移和继承。

通过上述方式，Databend Cloud 能够以最简化的方式实现企业对高效业务数据分析的需求。

解决方案

对于「沉浸式翻译」来说，构建这样一套业务数据分析架构所需要做的准备工作非常简单。首先，准备两个 Warehouse，一个用于 Task 摄入数据，一个用于 BI 报表查询。摄入数据的时候可以用一个规格小点的 Warehouse，查询的 Warehouse 规格高一点，因为查询通常不会一直查，这样可以节省更多成本。

然后点击 connect 获得一个连接串，这个连接串可以放在 BI 报表用于查询。Databend 提供了各种语言的 Driver。

接下来的准备工作只需三步：

建表，其中的字段与 NDJSON 格式的日志一致；
创建一个 stage，将存放业务数据日志的 S3 目录录进来；
创建一个 task ，每一分钟或者十秒钟执行一次。它会自动把 stage 里的文件导进来，然后自动清理掉。

Vector 配置如下：

```TOML
[sources.input_logs]type = "file"include = ["/path/to/your/logs/*.log"]read_from = "beginning"[transforms.parse_ndjson]type = "remap"inputs = ["input_logs"]source = '''. = parse_json!(string!(.message))'''[sinks.s3_output]type = "aws_s3"inputs = ["parse_ndjson"]bucket = "${YOUR_BUCKET_NAME}"region = "%{YOUR_BUCKET_REGION}"encoding.codec = "json"key_prefix = "logs/%Y/%m/%d"compression = "none"batch.max_bytes = 10485760  # 10MBbatch.timeout_secs = 300    # 5 minutesaws_access_key_id = "${AWS_ACCESS_KEY_ID}"aws_secret_access_key = "${AWS_SECRET_ACCESS_KEY}"
```

准备工作完成后，就可以源源不断地把业务数据日志录进 Databend Cloud 中进行分析。

架构对比与收益

通过对比通用埋点系统、传统 Hadoop 架构和 Databend Cloud，Databend Cloud 具有显著优势：

架构简洁性：摆脱了复杂的大数据生态，无需 Kafka、Airflow 等组件。
成本优化：利用对象存储和弹性计算实现低成本的存储与分析。
灵活性与性能：支持高性能 SQL 查询，满足多样化的业务场景。

此外，Databend Cloud 提供了快照机制，支持数据的时点回溯（Timetravel），可以帮助「沉浸式翻译」确保数据安全性和可恢复性。

最终，「沉浸式翻译」技术团队仅用一个下午便完成了全部 POC 测试，从复杂的 Hadoop 架构切换到 Databend Cloud，极大简化了运维和操作成本。

在构建业务数据埋点系统时，除了存储、计算方面的成本，维护成本也是架构选型的重要因子。Databend 通过对象存储与计算分离的架构革新，彻底改变了传统业务数据分析体系的复杂性。企业可以轻松搭建一套高性能、低成本的业务数据分析架构，实现从数据采集到分析的全流程优化。该方案为「沉浸式翻译」在降本增效的同时释放了数据的最大价值。