阿里巴巴大数据 —玩家社区 关注
手机版

【大数据干货】数据进入阿里云数加-大数据计算服务MaxCompute(原ODPS)的N种方式

  1. 云栖社区>
  2. 阿里巴巴大数据 —玩家社区>
  3. 博客>
  4. 正文

【大数据干货】数据进入阿里云数加-大数据计算服务MaxCompute(原ODPS)的N种方式

隐林 2016-12-07 23:05:29 浏览7984 评论3

摘要: 想用阿里云大数据技术服务MaxCompute对于大多数人首先碰到的问题就是数据如何迁移到MaxCompute中。按照数据迁移场景大致可以分为批量数据、实时数据、本地文件、日志文件等的迁移下面我们针对每种场景分别介绍几种常用方案。

免费开通大数据服务:https://www.aliyun.com/product/odps

想用阿里云大数据计算服务(MaxCompute),对于大多数人首先碰到的问题就是数据如何迁移到MaxCompute中。按照数据迁移场景,大致可以分为批量数据、实时数据、本地文件、日志文件等的迁移,下面我们针对每种场景分别介绍几种常用方案。

快速、完全托管的TB/PB级数据仓库解决方案,向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决用户海量数据计算问题,有效降低企业成本,并保障数据安全。


1ee238b9c67b687d2cdcedfe61cd9b8c856f2b45

一、   异构数据源批量数据迁移到MaxCompute

1、通过大数据开发套件(DataIDE)- 数据开发做数据同步

                         i.   开通大数据开发套件,进入项目管理-数据源管理中将数据源配置到DataIDE中,并保证连通性。目前MaxCompute支持的数据源如下图:

e60ce9bb20d74028adfb3399665beae45f57264e

MaxCompute产品地址:https://www.aliyun.com/product/odps


                       ii.创建数据同步任务,配置数据映射

31a89625fb1ec6bba67a0f6b492f3599e435e7c2

 

a82a505fb42764a29bbefc5e9b782ed1dede5881

                    iii.保存后提交运行,可以通过执行日志监控执行成功与否。

feb157c187947ff37f70969a9973a4aa085b9099

适用场景:这种方式通过界面向导逐步配置,操作简单容易上手,对于大数据开发套件(DataIDE)已经支持的数据源之间同步数据非常方便,但是要确保数据源连通性,同时对数据同步的速度也有限制,最高10M/s


2、通过DataX实现数据同步

DataX 是阿里巴巴集团内被广泛使用的异构数据源离线同步工具,致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、MaxCompute(原ODPS)、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

DataX本身作为离线数据同步框架,采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件,纳入到整个同步框架中。目前已经有了比较全面的插件体系,主流的RDBMS数据库、NOSQL、大数据计算系统都已经接入。DataX目前支持数据如下:

8d55ef023432ae6409d7e7f03bea026ca7006de3

使用示例(从MySQL读取数据 写入ODPS):

                         i.直接下载DataX工具包,下载后解压至本地某个目录,修改权限为755。下载地址:http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

                      ii.创建作业配置文件

python datax.py -r mysqlreader -w odpswriter

                    iii.根据配置文件模板填写相关选项(源和目标数据库的用户名、密码、URL、表名、列名等),如下图:

f5cd77348ef79a2a2bf7f8fcc4a4d15dacbff69d

                     iv.              启动DataX同步任务

python datax.py ./mysql2odps.json

适用场景:DataX通过plugin的方式实现对异构数据源的支持,支持的数据源种类更丰富,对于暂不支持的数据源用户也可以自己扩展plugin实现。另外这种方式通过配置文件做源和目标的映射非常灵活,同时也很容易跟其他的任务做集成。

 

3、通过Sqoop实现数据同步

请参考https://github.com/aliyun/aliyun-odps-sqoop

 


二、本地文件上传到MaxCompute

1、通过大数据开发套件(DataIDE)导入本地文件

                         i.登陆“大数据开发套件-数据开发”,点击“导入-导入本地数据”

773a409c6409be198c32de197d31669da7479a72

                       ii.               配置分隔符、数据文件字符编码等

55cbfa6cb147d96fb3ccbac4e8379aa16d5bfbc0

                    iii.选择目标表后即可导入

fff616442e12063da05d609c42e23be9c5004587

适用场景:这种方式适用于一些简单场景验证,通过向导方式上传本地文件简单易用,但是对于文件大小限制不能超过10M


2、通过MaxCompute客户端上传数据

                         i.下载MaxCompute客户端

下载路径:http://repo.aliyun.com/download/odpscmd/0.24.1/odpscmd_public.zip

                       ii.解压并配置客户端

解压后进入到conf目录,用编辑器打开odps_config.ini,配置相应的access_id、access_key、project_name等。

70f560881aec3ab4e522ccf830043ed66ae32332

                    iii.运行MaxCompute客户端

odpscmd –config=../conf/odps_config.ini

cd057f8221610d811aca436654e078d42e2f0199

                     iv.通过tunnel 可以上传下载数据,详情可以通过tunnel help查看帮助


                       v.通过tunnel upload上传本地文件到MaxCompute,详情可以通过tunnel help upload查看帮助

7986a2ade4c0443ee2e475196bd7f1fa5218e414

命令示例:

tunnel upload ./data.txt test_tunnel -fd "," -rd "\n";

解读:

data.txt – 数据文件,导入时注意指定路径

test_tunnel – MaxCompute中数据表

-fd "," – 指定逗号为数据列分隔符

-rd "\n" – 指定换行符为数据行分隔符

 

命令行使用请参考

https://help.aliyun.com/document_detail/27833.html

另外有个性化需求的也可以通过Tunnel SDK的方式做数据同步,详见:https://help.aliyun.com/document_detail/27837.html

 

适用场景:通过Tunnel上传数据适合数据文件大小适中的场景(比如单表上百GB可能会由于数据本身或者网络不稳定导致数据导入失败),并且可以指定线程数等来提升效率,充分发挥硬件性能。


三、   实时数据归档到MaxCompute

1.通过DataHub将流式数据归档到MaxCompute

用户通过创建DataHub Connector,指定相关配置,即可创建将Datahub中流式数据定期归档的同步任务。请参考https://datahub.console.aliyun.com/intro/advancedguide/connector.html

 

2.通过DTS将数据实时同步到MaxCompute

目前实时同步只能支持RDS MySQL实例,暂不支持其他数据源类型。请参考https://help.aliyun.com/document_detail/26614.html

 

3.通过OGG将数据实时同步到MaxCompute

这种方式要通过OGG将实时数据先同步到DataHub,再在DataHub中通过创建DataHub Connector将数据实时归档到MaxCompute。请参考https://datahub.console.aliyun.com/intro/guide/plugins/ogg.html

 

四、日志数据同步到MaxCompute

目前日志类型的数据实时同步到MaxCompute的需求也非常强。市面上也有很多成熟的日志收集工具,比如Fluentd、Logstash。日志数据实时同步到MaxCompute的方案也是要借助于这些成熟的日志收集工具,将日志数据同步到DataHub中后,再通过DataHub将数据归档到MaxCompute,数据链路:

9f9e6a2aa543ab30be325692a0f05a2eb26e881f

1.通过Logstash采集日志数据到MaxCompute

请参考https://help.aliyun.com/document_detail/47451.html

归档到Max Compute https://help.aliyun.com/document_detail/47453.html

2.通过Fluentd采集日志数据到MaxCompute

请参考https://help.aliyun.com/document_detail/47450.html

归档到Max Compute https://help.aliyun.com/document_detail/47453.html


相关数据分析文章:

云数据,大计算—海量日志数据分析与应用

【大数据新手上路】“零基础”系列课程--如何通过大数据开发套件Data IDE玩转大数据


用云栖社区APP,舒服~

【云栖快讯】云栖社区技术交流群汇总,阿里巴巴技术专家及云栖社区专家等你加入互动,老铁,了解一下?  详情请点击

网友评论

1F
云郎

非常有指导意义!

2F
锋韧

赞!!

3F
冶善

很全的总结~ 👍