走好数据中台最后一公里，为什么说数据服务 API 是数据中台的标配？

原文链接：​ ​走好数据中台最后一公里，数据服务 API 是数据中台的标配​​

视频回顾：​ ​点击这里​​

课件获取：​ ​点击这里​​

一、数据服务 API 建设背景

在数字化转型的时代背景下，新需求的大量增长、新技术的不断迭代，“互联网化、数字化” 进程的不断深入，越来越多的业务被迁移到互联网上，产生大量的业务交互和对外服务需求，对 API 接口的需求与日俱增，如何快速提升企业数据开放共享能力，是企业面临数字化转型的关键命题。

传统的方式如后端开发人员通过 Java 或 Python 等语言进行编写来生成 API 接口，开发周期过长，运维成本太高，已经不能满足企业的需求。企业在数字化转型过程往往面临诸多难题：

为了更多的解决这些问题，我们在企业开放、共享数据过程中需要确定以下目标：

• 快速构建 API
• 系统稳定、数据安全
• 易于集成使用
• 低成本运维

二、数据服务平台建设方法论

在分享数据服务平台建设方法论之前，我们先了解一下常见的数据中台应用架构：

数据服务层作为数据中台整体应用架构中处于中间地位，将数据计算层的结果通过数据 API 的形式对外共享给数据应用层。数据服务层主要有 3 个作用：

1、当数据已被整合和计算好之后，需要提供给产品和应用进行数据消费；

2、为了有更好的性能和体验，构建数据服务层，通过接口服务化方式对外提供数据服务；

3、满足应用各种复杂的数据服务需求（简单数据查询服务、复杂数据查询服务、实时数据推送）

而在数据服务层对外提供服务的过程中，经历了从 **“DWSOA” 到 “OneService”** 的演变过程。

从 “OneService” 数据服务本身来说，主要是解决异构数据源、重复建设、审计运维困难、理解困难这 4 个问题，通过 “OneService” 服务，实现主题式数据服务、统一且多样化数据服务、跨源数据服务的服务目标。

因此，若想构建一个完整的数据服务平台，需要具备以下 6 个要素：

• 便捷开发，具备低代码化的开发能力
• 易于管理，API 管理操作可视化查询 API
• 易于使用，具备规范化的文档描述信息
• 安全稳定，服务调用追踪监控、服务使用审计、鉴权等
• 易于运维，测试、纠查、问题规则配置
• 性能，负载均衡、高并发

三、基于 OneService 构建数据体系

了解完 “OneService” 理论，接下来为大家分享如何基于 OneService 构建数据体系，主要遵循以下步骤：

● 第一步：API 定义

API 的定义包括：快速配置参数、选择排序字段、API 类型多样性、数据预览、复制字段等方面。

API 的类型又包括生成 API、注册 API、服务分组及服务编排这 4 个方面。

● 第二步：API 发布

API 的发布包括测试、提交至 API 网关、发布至 API 市场、版本管理这几个方面。

● 第三步：API 调用

API 调用包括数据预览、API 申请、审批、下载接口文档、正式调用这几个方面。

● 第四步：调用监控

业务上：对 API 调用的统计数据进行深入的分析，进而得出关键信息；

技术上：通过 API 调用的统计图表进行分析可以发现，哪些 API 最受欢迎；而哪些几乎无人问津，应该被淘汰；

安全上：对调用 IP、调用次数进行监控，对调用者进行溯源。

● 第五步：数据安全

数据安全包括：统一认证鉴权、传输加密、安全组、角色分配、行级权限、调用审批等。

上述的数据服务 API 的建设过程，其实正是袋鼠云自研的数栈数据服务 EasyAPI 产品的落地实践过程。

数据服务（EasyAPI），高效的企业级数据服务产品，通过双模式可视化配置生成与注册 API，快速构建 OneService 数据共享服务，形成企业级的 API 市场和 API 服务管理平台，提高数据开放与共享效率。

同时产品具备以下特点:

配置即开发，支持 0 代码、低代码快速构建 API

用户认证、监控、传输加密、API 级别安全策略、行级权限、角色分配、调用申请审批、调用周期次数的限制、黑白名单

“服务编排 “可对不同的 API 进行组合，支持集成 python 进行数据处理、支持 “条件判断” 节点，选择符合条件的分支

横向拓展 API 网关、缓存

• 低成本运维

采用 Serverless 架构，只需关注 API 本身的业务逻辑，很少考虑运行环境等基础设施

四、API 实施落地案例

接下来我们分享三个使用客户的实际案例，为大家介绍 EasyAPI 如何切实的帮助客户解决问题。

● 金融：某证券公司应用数据服务

● 学校：某大学应用数据服务

● 零售：某网络公司应用数据服务

袋鼠云开源框架钉钉技术交流qun（30537511），欢迎对大数据开源项目有兴趣的同学加入交流最新技术信息，开源项目库地址：​ ​https://github.com/DTStack​​