汽车之家 x StarRocks：极速实时数据分析实践，下面是StarRocks给大家的分享，一起来看看。
汽车贷款计算器汽车之家
汽车之家（NYSE：ATHM）成立于2005年，为消费者提供优质的汽车消费和汽车生活服务，助力中国汽车产业蓬勃发展。我们致力于通过产品服务、数据技术、生态规则和资源为用户和 客户赋能，建设“车内容、车交易、车金融、车生活” 4个圈， 建立以数据和技术为核心的智能汽车生态圈，正式迈向智能化的3.0时代。
汽车之家目前在智能推荐的效果分析，物料点击、曝光、计算点击率、流量宽表等场景，对实时分析的需求日益强烈。经过多轮的探索，最终选定 StarRocks 作为实时 OLAP 分析引擎，实现了对数据的秒级实时分析。
“ 作者：邸星星，
汽车之家实时计算平台负责人 ”
实时数据分析的现状在汽车之家内部，实时数据的来源主要是三部分：
手机端户行为的日志；应用程序的服务端的日志；MySQL、SQLServer数据。实时数据分析场景，目前面临的一些痛点包括：
使用 Flink 做指标聚合，Flink 聚合不灵活，面对需求的时候开发成本比较高的，面对多变的需求，经常需要重复开发；Kylin 支持指标预计算，并发支持较好，但是不能够支持高效的明细数据查询。在一些需要下钻或者获取明细数据的场景支撑的不够好；TiDB 不支持预聚合模型，某些数据量大的场景，聚合指标需要在线计算。在线计算会导致服务器压力瞬间增大，而且查询性能不稳定，取决于参与计算的数据量和当时服务器的负载情况。为什么选择 StarRocks上图是几个 OLAP 引擎的横向对比。StarRocks 作为一款新兴 OLAP 产品，具有以下几个突出的优点：
查询场景灵活：StarRocks 所能够支撑的查询场景比较灵活。既能够从明细数据进行聚合分析，也能基于预聚合的模型去提前构建好，加速查询；兼容 MySQL 协议，平时使用 MySQL 的客户端就能进行查询和简单的运维：StarRocks 兼容 MySQL 协议，使用成本、运维成本都比较低；全面向量化引擎，查询性能好：查询性能高，并且能支持较高的并发和吞吐；架构精简，易于运维。但是 StarRocks 作为 OLAP 界的“年轻人”，也存在一些不太成熟的方面，比如：目前各个公司应用的深度可能不会特别深，所以还需要结合业务持续打磨。
在选型过程中，我们对 StarRocks 和常用的 OLAP 引擎做了一些对比测试。
VS Apache Kylin
在汽车之家内部 Apache Kylin 主要是面对固定查询的场景。主要都是一些特定的数据产品，还有一些日常的报表等。由于 Apache Kylin 是基于纯预聚算模型的，拿空间去换时间。所以在固定报表的场景下查询性能是非常好的，也能支持很高的并发。缺点就是不太灵活，要预先定义模型，如果要修改模型话，要重刷历史数据。
上图是 StarRocks 与 Apache Kylin 的一些对比。在6个亿的数据量下，用一个线上的 Cube，和两台 StarRocks 去做一个简单的对比，在命中物化视图的场景下， StarRocks 的查询性能可以媲美 Apache Kylin，有些查询甚至比 Apache Kylin 还要快。
VS ClickHouse
ClickHouse 虽然能支持明细数据和预聚合模型，也是基于向量化的引擎，但主要缺点是运维成本高，对多表关联查询的支持较弱，所以我们选择了 StarRocks。
上图是 StarRocks 与 ClickHouse 的性能对比。在120亿的数据规模下，部署了四台服务器，针对 Count 和非精确去重两种查询做性能对比。在 Count 的场景下，ClickHouse 的性能是比较接近的，两者没有明显的差异。在非精确去重（HLL ）场景下，StarRocks 查询性能明显优于 ClickHouse。这得益于 StarRocks 1.18 针对 HLL 查询的性能优化，在我们的测试场景下HLL查询的性能相比 StarRocks 1.17 提升了3~4倍。
VS Apache Doris
上图是 StarRocks 与 Apache Doris 的性能对比。也是在6个亿的数据量和两台机器的规模下进行的对比。由于 StarRocks 引入向量化引擎，相比 Apache Doris 查询性能有2~7倍的提升。
VS Presto、Spark（hive外表）
上图是 StarRocks 与 Presto 、Spark 查询 Hive 外表的一些性能对比。在10亿的数据量下，部署了八台服务器（是和 Presto 、Spark 对等的资源），测试用例主要是 Count 和 Count Distinct查询。测试的结果是 StarRocks 性能最优，大部分查询 StarRocks 性能优于 Presto，Presto 的性能优于 Spark。还有另外一个使用StarRocks优势就是可以直接用 ndv 函数去做非精确的排重（HLL），此时查询性能优势更为明显。
其它
机械硬盘和 SSD 硬盘的对比。在6个亿的数据量和两台机器的规模下，在未命中 PageCache 情况下，SSD 集群查询性能提升3~8倍；在命中 PageCache 情况下，两个集群的性能是比较接近的，此时 SSD 不会带来性能提升。
应用实践当前我们已经初步完成了 StarRocks 和实时、离线平台的集成工作。
首先是实时平台，实时计算平台直接集成 Flink-connector-StarRocks；然后是离线平台，我们通过提供 broker load 脚本，支持将 Hive 数据导入到 StarRocks。最后是 StarRocks 监控，主要是基于 Prometheus、Grafana，我们还收集了 StarRocks 本身的 audit log ，并解析每个SQL的执行情况、分析 StarRocks 的查询性能和成功率。
首先看一下 StarRocks 和Flink 平台（AutoStream）的集成，用户可以通过 Flink 原生的 DDL 来定义 StarRocks 表，也就是把 StarRocks 里面已经存在的一张表映射成 Flink 表。
上图是一个基于 Flink + StarRocks 的实时 ETL的案例：
从一张表里面过滤 user_id 大于0的，biz_id 和 biz_type 是数字类型的，event_id 在这几个事件里面的数据；通过 DATE_FORMAT 函数以及 CASE WHEN 语句对字段做处理；最终把结果写入到 StarRocks 表中。在离线调度平台上，我们提供了一个标准的 Python 脚本用来提交 broker load 任务，通过脚本+参数配置的方式，可将 Hive 数据高效导入到 StarRocks 中。同时这个脚本会持续检查 broker load 任务的进度，如果执行失败了，那么对应的调度任务也会失败，并触发调度平台本身的重试及告警机制。
这是我们 DBA 同事配置的 StarRocks 监控的报表。当时遇到了一个问题，就是 StarRocks 它 FE metrics格式不规范，导致 Prometheus TextParser 解析失败，我们做了一些代码修复。
这是 StarRocks 集群的统计报表。前面提到了，我们会实时收集、解析 auditlog 中的查询记录，并将这些查询记录写回到一张 StarRocks 表中；再通过配置 AutoBI 的仪表版，就实现了 StarRocks 本身的性能监控及分析。在报表中我们可以从数据库、用户的维度查看 StarRocks 的查询次数、相应时间、异常 SQL 等信息。当集群发生问题时，这个报表可以帮助我们快速定位问题、恢复业务；同时用户也可以了解自己业务的查询情况，定位慢 SQL 并进行优化。
截止10月底，StarRocks 在汽车之家已经有两个实时数据分析业务上线，分别是：推荐服务实时监控、搜索实时效果分析。
推荐服务实时监控
首先是推荐服务的实时监控。需求背景是实时推荐体系涉及多个子系统，为了提升推荐服务的整体稳定性，需要实时监控各子系统的服务健康情况。
上图是一个大概的链路，各个子系统会引入方法监控的 SDK，通过 SDK 把每分钟的方法监控的明细数据聚合起来，并将这些经过初步聚合的数据写入到监控系统里，监控团队负责把这些数据推送到 Kafka ，并通过 Flink 实时把数据写到 StarRocks 表中。在这个场景中，每天写入 StarRocks 的数据有两亿条左右，这是 StarRocks 在汽车之家上线的第一个业务。
最终在 AutoBI 中的仪表板如上图，报表的 TP95 响应时间在1秒左右，响应速度还是比较快的。
搜索实时效果
搜索实时效果，需求是搜索效果数据的实时统计，查看各频道、实验、内容类型的无结果率、跳出率、曝光量、点击量、CTR，特点就是日增的数据量在数十亿级，主要是应用 Grouping Set 模式，把所有可能的组合都计算好，给用户提供一个数据表格，并支持按照条件筛选；同时这个需求中涉及多个 UV 指标（非精确去重）的计算，每一行数据中包含6个 UV 指标的计算，下面是 SQL 的示例：
在这个场景下，由于数据量较大，并且包含多个聚合指标，所以我们定义了物化视图来加速查询。最后的展示形式就是下面的这种图表加上明细表格的形式。
我们最初使用的是 StarRocks 1.17，由于存在多个 UV 指标，查询性能并不理想，在升级到 StarRocks 1.18 之后，性能得到了较大的提升，响应时间从十几秒降到四秒内。
总结与规划最后简单总结一下，我们通过引入 StarRocks 统一了明细查询和预聚合两种模型。其次是流批的统一，实时的数据和离线的数据都可以写到 StarRocks 里面，对外暴露统一的 OLAP 引擎来提供服务，这对用户来说是很友好的。另外在查询性能方面，我们通过跟其他的引擎的对比发现，StarRocks 的查询性能整体上来说是有优势的。最后StarRocks兼容MySQL协议，容易上手，运维简单。
后续我们会持续完善内部工具链，支持将业务表数据实时分发到StarRocks表中，进一步简化实时分析的链路。同时我们也会持续扩展 StarRocks 应用场景，积累经验，提升集群稳定性，更好的支持业务。
新能源汽车车贷计算器
业余车新闻，专业逗比范儿。话题无下限，节操是路人
0利率购车、日供100元爱车开回家.....每当走进4S店，有关这类金融贷款的信息就会径直的冲向你的双眼！可能很多人会有疑问，这些看上去非常诱人的信息到底靠不靠谱？今天范儿哥就给您分析几家新能源车企的金融贷款方案。
贷款时谨防商家小把戏
免息不等于免手续费
范儿哥当年在办理免息贷款业务时，还发现了一笔数千元的额外费用，而且这笔费用并不在当时的购车票据中。经过询问才知道这笔费用就是传说中的手续费，据称这笔费用由担保公司收取。据范儿哥了解，各家4S店需要缴纳的手续费大概为贷款数额的1—3%。
低日供不等于低利率
就像文章开头所言，不少4S店都推出了日供百元的金融服务，难道真有这等好事儿？冷静下来的范儿哥仔细一算，综合利率甚至超过了10%, 这样的高利率着实让人心凉了一大截。
拒绝捆绑销售
很多消费者告诉范儿哥，由于自己办理的是贴息的优惠活动，因此必须在4S店里购买全险和办理车牌，不过都是在办理金融贷款后才知道。不得不说，4S店的捆绑销售除了赚取了车贷业务的利润，还在保险和上牌费用上赚取了更多的费用，整体费用甚至高过了正常的贷款购车方案。
一定注明退订条款
并不是所有的贷款手续都会被批准，很多消费者在遇到金融购车方案被迫中止时，之前缴纳的数千元购车订金无法收回。范儿哥需要提醒大家，由于贷款购车的流程中涉及到了银行、金融机构的审批环节，因此消费者在订车合同中应该与经销商协商好取消购车的条件，减少日后双方之间发生纠纷的可能。
研究透贷款的猫腻，我们不妨再看看市面销量较高的新能源车企，他们又提供给消费者哪些金融活动方案。
奇瑞新能源：最高利息达60440元
在奇瑞汽车官网，记者在金融服务项目里找到了与艾瑞泽7e相关的贷款服务。首付比例20%—50%，贷款年限1-5年的，有数十款贷款方案可供消费者选择。那么该如何选？哪个方案最划算？
根据上述贷款方案，如果选择20%首付比例，选择1-5年贷款年限，那么综合还款分别需要191032—240340元，相比17.99万元的原车价，最高可能要多支付60440元利息费用。而选择首付50%，一年还清剩余款项，只需要额外花费6962元。这样看来，对于购买奇瑞新能源车型而言，首付交付越多，贷款年限越短，对于消费者而言也就越划算。
北汽新能源：1年0息仍需手续费
日前，北汽新能源在北京市推出了“一年零利率免息”贷款购车方案。具体方案为：针对EX260、EU260这两款销售比较火爆的车型，可享受1年期0利率，7万元定额贷款；2年、3年期贷款首付30%起，并支付3.99%—4.88%利率的金融服务。
针对上述贷款方案，以北京市补贴后售价13.99万元的EU260车型为例，7万元1年的定额贷款的平均月供为5834元，但范儿哥咨询经销商后，他们一致表示至少要支付3%—5%，即2100—3500元不等的手续费。而选择首付30%，至少需要4000元的利息，而手续费还需要另行计算。
特斯拉：多贷款5年多花10万
特斯拉同样在官网提供金融服务计算器，贷款期数1—5年五种选项，贷款利率分别为5%、4.5%、4.33%，4.25%以及4.8%。以售价68.89万元的特斯拉MODEL S60 来计算，最低首付15%即103335元，贷款12个月需要支付的总车价为718179元，贷款60个月则需要支付的总车价为829455元，两者足足相差111276元。
依范儿哥来看，像特斯拉这样售价趋近百万元的高端车型，贷款期限越长势必要支付更多的利息。所以根据个人水平，选择一款贷款数额小，还款期限少的金融方案更加实惠。
荣威新能源：低首付贷款同样划算
在上汽荣威官网，可以选择20%—50%不等的金融贷款方案，虽然方案不是很多，但信息却非常完整，非常详细地给用户列出了首付款金额、利率、以及月付款金额等。
根据多种贷款方案计算可见，其利率均为13.18%。同样购买一台指导价为22.99万元的荣威eRX5，贷款期限24个月，首付20%和首付50%相比，两种方案的利息分别为6616元和4138元，差别不大。所以对于手头不是很宽松的人而言，即使首付20%也是一套非常划算的方案。
比亚迪：具体方案尚未落实
比亚迪秦100/唐100车型昨日上市的同时，还同时发布了全新的金融方案：全系新能源0利率，以及唐100日供100元。根据经验，这些看上去非常诱人的金融方案似乎没那么简单得到。范儿哥第一时间致电比亚迪客服和经销商，得到的答案却是不清楚和方案正在制定当中。于是乎，记者又来到了比亚迪汽车官网了解情况。
在“万元月供”下面，零散的分布着“336、326、346”等数字，对于正常消费者而言，不知有多少消费者能看懂这些冠冕堂皇的数字，难道比亚迪的消费者都是金融天才？在范儿哥调查过程中，着实发现了比亚迪官网如此不清晰的贷款方案和一问三不知的客服人员，的确有些让人头晕。
超前消费已经被越来越多的人接受，很多消费者为了尽快将爱车收入囊中纷纷会选择一些信贷服务，了解了上述贷款陷阱和多家企业的贷款比较，您可能已经心中有数。如果还有其他方面的疑惑，欢迎在下面给范儿哥留言哦！
欢迎关注
卡范儿-CarFans
卡范儿-CarFans
卡范CarFans，是新能源汽车新闻旗下面向消费者买车及用车生活的微信号。《新能源汽车新闻》杂志由人民日报社主管，以全媒体平台传播精选资讯及深度报道，内容覆盖行业、观点、科技、产品及生活，力求带来最全面、独特的新能源汽车信息，引领消费潮流。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信，我们会及时处理和回复。
原文地址"汽车贷款计算器汽车之家（新能源汽车车贷计算器）"：http://www.ljycsb.cn/dkzs/105679.html。
微信扫描二维码投放广告
▲长按图片识别二维码
