建站
咨詢
售后
建站咨詢
新聞中心
本篇文章為大家展示了基于DataLakeAnalytics如何做跨地域的數(shù)據(jù)分析，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細(xì)介紹希望你能有所收獲。
創(chuàng)新互聯(lián)成立于2013年，公司以網(wǎng)站建設(shè)、做網(wǎng)站、系統(tǒng)開發(fā)、網(wǎng)絡(luò)推廣、文化傳媒、企業(yè)宣傳、平面廣告設(shè)計(jì)等為主要業(yè)務(wù)，適用行業(yè)近百種。服務(wù)企業(yè)客戶上千，涉及國內(nèi)多個(gè)省份客戶。擁有多年網(wǎng)站建設(shè)開發(fā)經(jīng)驗(yàn)。為企業(yè)提供專業(yè)的網(wǎng)站建設(shè)、創(chuàng)意設(shè)計(jì)、宣傳推廣等服務(wù)。 通過專業(yè)的設(shè)計(jì)、獨(dú)特的風(fēng)格，為不同客戶提供各種風(fēng)格的特色服務(wù)。
在阿里云上，很多客戶的應(yīng)用都是多地域部署的, 比如在北京(cn-beijing)的地域部署一個(gè)應(yīng)用讓北方的客戶訪問快一點(diǎn)，同時(shí)在杭州(cn-hangzhou)地域部署一份讓南方的客戶訪問快一點(diǎn)。多地域部署之后，業(yè)務(wù)數(shù)據(jù)被拆成了多份，而各個(gè)地域的數(shù)據(jù)庫都是獨(dú)立的，網(wǎng)絡(luò)又不通，給總體業(yè)務(wù)數(shù)據(jù)的分析造成了困難。今天我給大家介紹一套基于 DataLakeAnalytics, OSS, DataX 等幾個(gè)阿里云產(chǎn)品的跨地域數(shù)據(jù)分析的解決方案。
其實(shí)云產(chǎn)品本身(比如我們 DataLakeAnalytics 自己)也有跨地域數(shù)據(jù)分析的需求，這個(gè)方案也同樣適用。這個(gè)方案本來就是為了分析 DataLakeAnalytics 自己的業(yè)務(wù)數(shù)據(jù)而探索出來的。
方案概覽
我們知道各個(gè)地域的RDS是不通的，除非你開公網(wǎng)訪問權(quán)限(有很大的安全風(fēng)險(xiǎn)，不推薦), 而且即使你開公網(wǎng)，要對多個(gè)數(shù)據(jù)庫里面的數(shù)據(jù)進(jìn)行聯(lián)合分析也不是一件容易的事情；而且這種數(shù)據(jù)分析的需求我們不希望它占用太多的預(yù)算。
我們的方案是把各個(gè)地域的數(shù)據(jù)都同步到同一個(gè)地域的OSS上面去，然后用 DataLakeAnalytics 進(jìn)行聯(lián)合分析。這個(gè)方案的優(yōu)點(diǎn)在于 OSS 存儲收費(fèi)非常便宜， DataLakeAnalytics 也是按查詢量收費(fèi)的，你平時(shí)不查詢的時(shí)候一分錢都不用花。總體方案如下圖:
匯聚各個(gè)地域的數(shù)據(jù)
我們方案的第一步是把各個(gè)地域的RDS數(shù)據(jù)同步到同一個(gè)地域的OSS里面去。阿里巴巴集團(tuán)開源了一個(gè)很棒的數(shù)據(jù)搬運(yùn)的工具: DataX, 可以把數(shù)據(jù)在各種不同的數(shù)據(jù)源之間進(jìn)行搬運(yùn)，它支持的數(shù)據(jù)源類型非常豐富: 從關(guān)系型的 MySQL, SQLServer, 到各種文件系統(tǒng)如 HDFS, OSS等等，其中我們需要的是從 MySQL 讀數(shù)據(jù)的 mysqlreader 插件以及往 OSS 寫數(shù)據(jù)的 osswriter 插件。
假定我們有下面這么一個(gè)記錄人員信息的表 person 需要同步:
create table person ( id int primary key auto_increment, name varchar(1023), age int );
我們寫一個(gè)類似下面這樣的DataX任務(wù)描述文件 person.json :
{
"job": {
"setting": {
"speed": {
"channel": 1,
"byte": 104857600
},
"errorLimit": {
"record": 10
}
},
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"username": "your-user-name",
"password": "your-password",
"column": [
"id",
"name",
"age",
],
"connection": [
{
"table": [
"person"
],
"jdbcUrl": [
"jdbc:mysql://your-rds.mysql.rds.aliyuncs.com:3306/dbname"
]
}
]
}
},
"writer": {
"name": "osswriter",
"parameter": {
"endpoint": "http://oss.aliyuncs.com",
"accessId": "your-access-id",
"accessKey": "your-access-secret",
"bucket": "mydb-bucket",
"object": "mydb/person/region=cn-hangzhou/person.csv",
"encoding": "UTF-8",
"fieldDelimiter": "|",
"writeMode": "truncate"
}
}
}
]
}
}這里 MySQL 相關(guān)的信息填你的業(yè)務(wù)庫的信息，而 OSS 相關(guān)的信息選擇一個(gè)我們同步到的OSS的地址。注意 OSS 配置部分的 object 字段，mydb 保存你所有的數(shù)據(jù), person 這個(gè)目錄保存你的 person 表的數(shù)據(jù)，region=cn-hangzhou 這個(gè)目錄就有意思了，它保存的是你的應(yīng)用在 cn-hangzhou 這個(gè)region里面的數(shù)據(jù)，同樣的，你可能還會有 cn-beijing, cn-shangahi 的數(shù)據(jù)等等。
然后執(zhí)行如下命令:
// 執(zhí)行前確保你已經(jīng)下載并正確配置好 DataX 了。 python datax/bin/datax.py person.json
正確執(zhí)行的話你會看到下面的輸出:
.....省略N行...... 2018-09-06 19:53:19.900 [job-0] INFO JobContainer - PerfTrace not enable! 2018-09-06 19:53:19.901 [job-0] INFO StandAloneJobContainerCommunicator - Total 251 records, 54067 bytes | Speed 5.28KB/s, 25 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 0.001s | All Task WaitReaderTime 0.026s | Percentage 100.00% 2018-09-06 19:53:19.902 [job-0] INFO JobContainer - 任務(wù)啟動時(shí)刻 : 2018-09-06 19:53:09 任務(wù)結(jié)束時(shí)刻 : 2018-09-06 19:53:19 任務(wù)總計(jì)耗時(shí) : 10s 任務(wù)平均流量 : 5.28KB/s 記錄寫入速度 : 25rec/s 讀出記錄總數(shù) : 251 讀寫失敗總數(shù) : 0
這樣數(shù)據(jù)就自動同步到 OSS 上去了，你可以下載一個(gè) oss-browser 去查看oss上面的數(shù)據(jù):
文件里面數(shù)據(jù)大概是這樣的:
9|ethan|10 10|julian|20 11|train|30 12|wally|40
完成了一個(gè)地域的數(shù)據(jù)搬運(yùn)之后，其它地域都可以照葫蘆畫瓢，唯一需要注意的地方是，雖然 MySQL 數(shù)據(jù)是各個(gè) 地域 的數(shù)據(jù)，但是 OSS 要用同一個(gè)根目錄 person ，因?yàn)槲覀円鰯?shù)據(jù)匯集嘛，把幾個(gè)地域的數(shù)據(jù)匯集完成之后，person 目錄的結(jié)構(gòu)大概是這樣的:
使用 DataLakeAnalytics 分析匯聚后的OSS數(shù)據(jù)
下面的分析就可以交給 DataLakeAnalytics 了，分析OSS上的數(shù)據(jù)是 DataLakeAnalytics 的拿手好戲，在開始之前我們要有一個(gè) DataLakeAnalytics 的賬號，目前 DataLakeAnalytics 正在公測，直接申請?jiān)囉镁秃昧恕Ｔ囉脤徟晒χ螅銜@得一個(gè)用戶名和密碼, 然后在控制臺登錄就可以使用:
或者如果你是極客，更偏愛命令行，你也可以使用普通的 MySQL 客戶端就可以連接 DLA 了:
mysql -hservice.cn-shanghai.datalakeanalytics.aliyuncs.com -P10000 -u-p
在這篇文章里面，我會使用 MySQL 命令行給大家演示 DLA 的功能。
首先我們來建一個(gè) DataLakeAnalytics 的數(shù)據(jù)庫:
CREATE DATABASE `mydb` WITH DBPROPERTIES ( catalog = oss, location = 'oss://your-bucket/mydb/' );
這里的 oss://mydb-bucket/mydb/ 就是前面我們數(shù)據(jù)匯聚的 person 目錄的父目錄。
建好庫之后，我們再建一個(gè)表:
CREATE EXTERNAL TABLE IF NOT EXISTS `person` ( `id` bigint, `name` varchar(128), `age` int ) PARTITIONED BY (region varchar(63)) ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE LOCATION 'oss://mydb-bucket/mydb/person';
注意這是一個(gè)分區(qū)表，分區(qū)的key是我們的region，這樣的好處一是各個(gè)地域在同步數(shù)據(jù)的時(shí)候比較簡單，不用擔(dān)心把別的地域的數(shù)據(jù)沖掉了；另外利用地域分區(qū)也使得我們在分析單個(gè)地域的時(shí)候掃描數(shù)據(jù)量會比較小，查詢速度更快。
建好表之后，我們運(yùn)行如下命令讓 DataLakeAnalytics 去對OSS上的文件列表進(jìn)行掃描以找到所有的 region 分區(qū):
mysql> msck repair table person; +-----------------------------------------------------------------------------------------------------------+ | Result | +-----------------------------------------------------------------------------------------------------------+ | Partitions not in metastore: person:region=cn-beijing person:region=cn-hangzhou person:region=cn-shanghai | | Repair: Added partition to metastore mydb.person:region=cn-beijing | | Repair: Added partition to metastore mydb.person:region=cn-hangzhou | | Repair: Added partition to metastore mydb.person:region=cn-shanghai | +-----------------------------------------------------------------------------------------------------------+
現(xiàn)在我們就可以開心的對所有地域的數(shù)據(jù)進(jìn)行聯(lián)合查詢了 :)
mysql> select * from person limit 5; +------+-------+------+-------------+ | id | name | age | region | +------+-------+------+-------------+ | 1 | james | 10 | cn-beijing | | 2 | bond | 20 | cn-beijing | | 3 | lucy | 30 | cn-beijing | | 4 | lily | 40 | cn-beijing | | 5 | trump | 10 | cn-hangzhou | +------+-------+------+-------------+ 5 rows in set (0.43 sec) mysql> select region, count(*) cnt from person group by region; +-------------+------+ | region | cnt | +-------------+------+ | cn-beijing | 4 | | cn-hangzhou | 4 | | cn-shanghai | 4 | +-------------+------+ 3 rows in set (0.18 sec)
在這篇文章里面，我們介紹了一種通過 DataLakeAnalytics, OSS, DataX 進(jìn)行跨地域數(shù)據(jù)分析的方法。限于篇幅的原因方案的很多細(xì)節(jié)沒有進(jìn)一步優(yōu)化，比如我們其實(shí)可以對數(shù)據(jù)進(jìn)行進(jìn)一步按天分區(qū)，這樣每天同步的數(shù)據(jù)可以更少，效率更高；再比如我們沒有介紹如何周期性的進(jìn)行數(shù)據(jù)同步，用crontab? 還是什么調(diào)度系統(tǒng)？這些就留給讀者自己去探索了。
上述內(nèi)容就是基于DataLakeAnalytics如何做跨地域的數(shù)據(jù)分析，你們學(xué)到知識或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識儲備，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。
網(wǎng)站名稱：基于DataLakeAnalytics如何做跨地域的數(shù)據(jù)分析
文章URL：http://www.ef60e0e.cn/article/gesoeo.html
