阿里云數(shù)據(jù)集成服務(wù)-深入介紹_第1頁
阿里云數(shù)據(jù)集成服務(wù)-深入介紹_第2頁
阿里云數(shù)據(jù)集成服務(wù)-深入介紹_第3頁
阿里云數(shù)據(jù)集成服務(wù)-深入介紹_第4頁
阿里云數(shù)據(jù)集成服務(wù)-深入介紹_第5頁
已閱讀5頁,還剩3頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、數(shù)據(jù)集成進(jìn)階與深入數(shù)據(jù)集成/進(jìn)階與深入 PAGE 7進(jìn)階與深入為構(gòu)建云上四通八達(dá)的數(shù)據(jù)同步通道,CDP Job自身定義一套數(shù)據(jù)中間格式。針對(duì)不同的數(shù)據(jù)通道,實(shí)現(xiàn)不同的讀取插件完成從各類數(shù)據(jù)源抽取數(shù)據(jù)(CDP稱之為Reader),以及不同寫入插件向各類數(shù)據(jù)源寫入數(shù)據(jù)(CDP稱 之為Writer)。CDP的各類插件實(shí)際上是完成了各類數(shù)據(jù)源對(duì)接CDP的適配器。如下:CDP利用RDSReader(實(shí)際上是MysqlReader)完成數(shù)據(jù)從RDS抽取,并轉(zhuǎn)換為CDP的數(shù)據(jù)協(xié)議,投 遞給CDP傳輸中間層。CDP利用ODPSWriter完成CDP的數(shù)據(jù)協(xié)議轉(zhuǎn)換為ODPS的數(shù)據(jù)協(xié)議,并將轉(zhuǎn)換后的數(shù)據(jù)向ODPS

2、寫 入。通過上述CDP數(shù)據(jù)中間層,CDP可以為公有云上構(gòu)建出四通八達(dá)的數(shù)據(jù)傳輸同步通道,讓數(shù)據(jù)不再是孤島!云數(shù)據(jù)庫 OceanBase/相關(guān)協(xié)議CDP在進(jìn)行數(shù)據(jù)同步過程中,為了提升Job數(shù)據(jù)傳輸吞吐能力,CDP通常將對(duì)傳輸數(shù)據(jù)集進(jìn)行細(xì)粒度 切分(CDP稱之為Task),并啟動(dòng)多線程乃至于多進(jìn)程運(yùn)行容器運(yùn)行Task進(jìn)行數(shù)據(jù)傳輸服務(wù)。單個(gè)Task運(yùn)行容器CDP定義為傳輸單元。CDP單個(gè)傳輸單元數(shù)據(jù)吞吐帶寬為1MB/s,受限于源宿兩端數(shù)據(jù)源的限制,CDP無法保證單個(gè)傳輸單 元一定維持在1MB/s。例如用戶需要為單Job分配5MB/s的帶寬,CDP將啟動(dòng)5個(gè)數(shù)據(jù)傳輸單元,吞吐 量維持在5MB/s左右。

3、由于兩端數(shù)據(jù)源負(fù)載壓力,該Job運(yùn)行期間可能存在上下波動(dòng),無法一直維持 在5MB/s,但能夠保證最大流量不超過5MB/s。為最大化數(shù)據(jù)同步的Job傳輸吞吐量,CDP將對(duì)Job進(jìn)行更細(xì)粒度的任務(wù)切分,并啟動(dòng)多個(gè)數(shù)據(jù)傳輸單元進(jìn)行并 行數(shù)據(jù)同步。CDP的切分規(guī)則由CDP框架定義接口,具體切分規(guī)則交由具體傳輸插件負(fù)責(zé)實(shí)現(xiàn),例如:對(duì)于ODPS而言,數(shù)據(jù)切分根據(jù)ODPS表的Record偏移量計(jì)算數(shù)據(jù)分片。對(duì)于Mysql Reader插件而言,其切分算法按照Mysql數(shù)據(jù)表主鍵范圍切分。以Mysql抽取數(shù)據(jù)為例,MysqlReader啟動(dòng)后將連接源數(shù)據(jù)端,計(jì)算數(shù)據(jù)表主鍵范圍,如Min, Max,并根據(jù)用戶帶

4、寬需求切分上述Min, Max區(qū)間范圍,每個(gè)子區(qū)間將作為一個(gè)Task提交給后續(xù)傳輸單元進(jìn)行執(zhí)行。例如,上述Mysql數(shù)據(jù)表主鍵范圍在1,4,MysqlReader根據(jù)用戶需要的吞吐量計(jì)算得出數(shù)據(jù)切分規(guī)則需要兩個(gè)數(shù) 據(jù)子集,因此將數(shù)據(jù)區(qū)間區(qū)分為1, 2、3, 4兩個(gè)數(shù)據(jù)子集,兩個(gè)數(shù)據(jù)子集交由不同的同步傳輸單元完成。CDP數(shù)據(jù)同步面向是結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)同步,CDP對(duì)于源宿兩端數(shù)據(jù)源均會(huì)抽象為一張二維表進(jìn)行傳輸 和映射。CDP對(duì)于字段的映射是按照配置字段順序進(jìn)行一一映射,而非依賴源宿兩端字段名稱。CDP本身不對(duì)源宿兩端字段做任何約束,視用戶填寫字段順序一一傳遞。由于存在異構(gòu)源宿兩端字段個(gè)數(shù)可能

5、 不一致情況,CDP做如下約定:源端字段和目標(biāo)端字段個(gè)數(shù)一致 CDP推薦配置源宿兩端數(shù)據(jù)字段個(gè)數(shù)一致,避免數(shù)據(jù)字段補(bǔ)空情況。源端字段比目標(biāo)端字段多源端字段比目標(biāo)端字段列數(shù)多意味著一定存在數(shù)據(jù)丟失情況,為避免數(shù)據(jù)丟失,CDP對(duì)于這類配置直接報(bào)錯(cuò)。源端字段比目標(biāo)端字段少 CDP對(duì)該類情況直接在導(dǎo)入數(shù)據(jù)末尾添加null,做補(bǔ)空處理。為做到云上所有數(shù)據(jù)存儲(chǔ)能夠做到四通八達(dá)的傳輸通道,CDP必須設(shè)計(jì)出一套通用的數(shù)據(jù)傳輸格式,同時(shí)還需 要保證各類數(shù)據(jù)存儲(chǔ)系統(tǒng)均能夠支持該協(xié)議。為盡可能適配最大范圍系統(tǒng),CDP僅設(shè)計(jì)支持常見數(shù)據(jù)類型,包PB 級(jí)云數(shù)據(jù)庫 PetaData/服務(wù)條款括:CDP支持類型備注與說明L

6、ong定點(diǎn)數(shù) Int、Short、Long、BigIntegerDouble浮點(diǎn)數(shù) Float、Double、BigDecimal(無限精度)String字符串類型,底層不限長(zhǎng),使用通用字符集(Unicode)Date時(shí)間類型,包括日期、時(shí)間、日期時(shí)間類型Bool布爾值Bytes二進(jìn)制,可以存放諸如MP3等非結(jié)構(gòu)化數(shù)據(jù)不同的讀取、寫入插件負(fù)責(zé)將上述的表格數(shù)據(jù)轉(zhuǎn)換到各自的數(shù)據(jù)存儲(chǔ)系統(tǒng)。以Mysql讀取為例:CDP支持類型Mysql插件對(duì)應(yīng)類型Longint, tinyint, smallint, mediumint, int, bigintDoublefloat, double, decimal

7、Stringvarchar, char, tinytext, text, mediumtext, longtext, yearDatedate, datetime, timestamp, timeBoolbit, boolBytestinyblob, mediumblob, blob, longblob, varbinary同樣,以O(shè)DPS寫入的數(shù)據(jù)轉(zhuǎn)換表如下:CDP支持類型ODPS插件對(duì)應(yīng)類型LongBIGINTDoubleDOUBLEStringSTRINGDateDATETIMEBoolBOOLEANBytes無Mysql 所有int類型在ODPS最佳實(shí)踐是存放為BIGINT類型,從上述

8、CDP兩張類型轉(zhuǎn)換對(duì)應(yīng)表,CDP的轉(zhuǎn)換也是符合該類類型設(shè)計(jì)。盡管CDP在數(shù)據(jù)類型通用性已經(jīng)做最大可能適配,但仍請(qǐng)用戶在使用CDP具體插件請(qǐng)查閱 每個(gè)插件對(duì)應(yīng)的數(shù)據(jù)源類型,以確保CDP對(duì)插件類型支持符合您的預(yù)期。由于歷史遺留問題,CDP在面對(duì)各類異構(gòu)數(shù)據(jù)同步過程仍然難以避免源宿兩端數(shù)據(jù)類型不匹配情況,例如用戶密鑰管理服務(wù)/API 文檔需要從Mysql的Varchar類型導(dǎo)入ODPS的BIGINT類型。對(duì)于較為通用的數(shù)據(jù)類型轉(zhuǎn)換CDP自身提供了統(tǒng)一的框 架級(jí)定義,方便用戶需要在不同數(shù)據(jù)類型中做轉(zhuǎn)換。類型 轉(zhuǎn)換LongDoubleStringDateBoolByteLongYYY12NDoubleY

9、YYNNNString34Y56NDate7N8YNNBool9NYNYNBytesNN10NNYCDP默認(rèn)的類型轉(zhuǎn)換規(guī)則處理了大部分通用的數(shù)據(jù)轉(zhuǎn)換規(guī)則。針對(duì)部分?jǐn)?shù)據(jù)類型轉(zhuǎn)換,CDP規(guī)則需要用戶知曉:Long轉(zhuǎn)換為Date,將Long數(shù)值視作Java提供Unix時(shí)間戳轉(zhuǎn)換為Date,精度為毫秒。Long轉(zhuǎn)換為Bool,0視為false,否則為trueString轉(zhuǎn)換為L(zhǎng)ong,整數(shù)型字符串支持轉(zhuǎn)換為L(zhǎng)ong,否則報(bào)錯(cuò)。不支持科學(xué)計(jì)數(shù)法字符串。String轉(zhuǎn)換為Double,浮點(diǎn)型字符串支持轉(zhuǎn)換為L(zhǎng)ong,否則報(bào)錯(cuò)。不支持科學(xué)計(jì)數(shù)法。String轉(zhuǎn)換為Date,用戶自定義時(shí)間格式(例如YYYY-

10、MM-DD),滿足用戶時(shí)間格式可以轉(zhuǎn)換,否則報(bào)錯(cuò)。String轉(zhuǎn)換為Bool,true轉(zhuǎn)為true,false轉(zhuǎn)為false,其他報(bào)錯(cuò)。Date轉(zhuǎn)為L(zhǎng)ong,將Date轉(zhuǎn)為Unix時(shí)間戳。Date轉(zhuǎn)換為String,根據(jù)用戶自定義時(shí)間格式(例如YYYY-MM-DD)轉(zhuǎn)換為字符串。Bool轉(zhuǎn)換為L(zhǎng)ong,true轉(zhuǎn)為1,false轉(zhuǎn)為0。Bytes轉(zhuǎn)換為String,根據(jù)用戶指定的字符集編碼轉(zhuǎn)為String。注意:CDP傳輸過程中自動(dòng)進(jìn)行編碼轉(zhuǎn)換,例如CDP自動(dòng)從Mysql GBK的字段導(dǎo)入ODPS UTF-8字段,用戶不需要干預(yù)。CDP定位在為各類數(shù)據(jù)存儲(chǔ)提供數(shù)據(jù)傳輸通道功能,在定期自動(dòng)化運(yùn)行

11、數(shù)據(jù)同步場(chǎng)景,如數(shù)倉ETL流程,要求所 有的數(shù)據(jù)同步Job能夠做到多次數(shù)據(jù)同步能夠和單次數(shù)據(jù)同步最終結(jié)果一致。例如當(dāng)一次數(shù)據(jù)同步Job出現(xiàn)Fail情況,用戶可以直接重啟CDP任務(wù)而不需要到目的數(shù)據(jù)端進(jìn)行線上數(shù)據(jù)清理操作。這在數(shù)倉領(lǐng)域?qū)儆贘ob冪 等性要求。CDP Job的冪等性是通過Writer插件的前置條件來實(shí)現(xiàn)的,例如用戶可寫ODPS配置中提供數(shù)據(jù)寫入前的清理工作,該配置可以保證每次數(shù)據(jù)導(dǎo)入前都會(huì)先清除當(dāng)前表或者分區(qū)的現(xiàn)有數(shù)據(jù),這樣能夠保證數(shù)據(jù)多次寫入的 結(jié)果和當(dāng)前一次性寫入結(jié)果一致。CDP對(duì)接云上各類數(shù)據(jù)存儲(chǔ)系統(tǒng),受限于各類數(shù)據(jù)存儲(chǔ)模型事務(wù)支持(例如海量數(shù)據(jù)回流RDS是無法提供原子性歸檔

12、存儲(chǔ)/API使用手冊(cè)保證),CDP本身無法提供寫入的原子性語義保證:CDP Job數(shù)據(jù)同步過程中,一旦出現(xiàn)數(shù)據(jù)同步異常導(dǎo)致失敗,CDP無法保證數(shù)據(jù)全部進(jìn)入或者全部回滾(All orNothing),同時(shí)數(shù)據(jù)導(dǎo)入過程對(duì)于目的數(shù)據(jù)源同樣不是原子性提交,目的數(shù)據(jù)端仍可能看到數(shù)據(jù)進(jìn)入的過程。對(duì)于原子語義,建議用戶可以使用在系統(tǒng)工程中使用臨時(shí)表等技巧繞過原子性語義問題。例如,在使用CDP將ODPS系統(tǒng)數(shù)據(jù)回流到生產(chǎn)RDS數(shù)據(jù)庫,前端業(yè)務(wù)用戶可能觀察到海量數(shù)據(jù)導(dǎo)入RDS過程,包括部分?jǐn)?shù)據(jù)進(jìn)入RDS過程。對(duì)于該類應(yīng)用,建議用戶使用A、B表切換保證在線系統(tǒng)原子語義:當(dāng)前在線服務(wù)使用A表完成OLTP操作,數(shù)倉回

13、流通道寫入生產(chǎn)B表。待CDP整個(gè)寫入RDS完成后,在線應(yīng)用完成數(shù)據(jù)源從A表切換到B表,即可做到回流原子語義。在數(shù)據(jù)同步系統(tǒng),可能由于最終客戶人員誤操作,或者由于分布式系統(tǒng)調(diào)用超時(shí)重試,有可能存在同一個(gè)Job被 多次并行啟動(dòng)。對(duì)于數(shù)據(jù)同步系統(tǒng)而言,數(shù)據(jù)多次重復(fù)調(diào)用極有可能造成數(shù)據(jù)重復(fù)寫入,并引發(fā)數(shù)據(jù)故障。CDP本身提供了Job唯一性校驗(yàn)功能,例如同一份Job配置CDP客戶同一時(shí)間啟動(dòng)兩次及以上,CDP將自動(dòng)識(shí)別 唯一性檢查,對(duì)于重復(fù)提交Job,CDP將報(bào)錯(cuò)提示用戶出現(xiàn)了Job多次提交。增量數(shù)據(jù)同步是數(shù)據(jù)同步業(yè)務(wù)層面實(shí)現(xiàn),具體到底層數(shù)據(jù)同步分為批量Snapshot同步以及變更操作日志同步。CDP

14、Job通過數(shù)據(jù)存儲(chǔ)數(shù)據(jù)API接口完成批量數(shù)據(jù)同步功能,因此CDP Job本身不支持獲取數(shù)據(jù)存儲(chǔ)系統(tǒng)層面的變化過程。例如CDP無法通過獲取解析RDS BinLog日志反查數(shù)據(jù)變化量并同步到目的數(shù)據(jù)源。用戶的增量業(yè)務(wù)需求,不僅僅只能通過系統(tǒng)級(jí)別增量變化日志解析實(shí)現(xiàn)數(shù)據(jù)增量同步。實(shí)際上,業(yè)界對(duì)于增量 同步有諸多解決方案:時(shí)間戳方式:它是一種基于快照比較的變化數(shù)據(jù)捕獲方式,在源表上增加一個(gè)時(shí)間戳字段,系統(tǒng)中更 新修改表數(shù)據(jù)的時(shí)候,同時(shí)修改時(shí)間戳字段的值。當(dāng)進(jìn)行數(shù)據(jù)抽取時(shí),通過比較上次抽取時(shí)間與時(shí)間 戳字段的值來決定抽取哪些數(shù)據(jù)。有的數(shù)據(jù)庫的時(shí)間戳支持自動(dòng)更新,即表的其它字段的數(shù)據(jù)發(fā)生改 變時(shí),自動(dòng)更新

15、時(shí)間戳字段的值。有的數(shù)據(jù)庫不支持時(shí)間戳的自動(dòng)更新,這就要求業(yè)務(wù)系統(tǒng)在更新業(yè) 務(wù)數(shù)據(jù)時(shí),手工更新時(shí)間戳字段。在阿里數(shù)據(jù)庫使用實(shí)踐中,所有的在線業(yè)務(wù)系統(tǒng)按慣例都默認(rèn)添加 了create_time、modify_time,對(duì)于在線業(yè)務(wù)寫入均自動(dòng)修改上述兩個(gè)字段,記錄修改時(shí)間。CDP在 進(jìn)行數(shù)據(jù)同步過程中,僅需要在Mysql抽取環(huán)節(jié)配置where過濾條件做增量抽取。觸發(fā)器方式:抽取的表上建立需要的觸發(fā)器,一般要建立插入、修改、刪除三個(gè)觸發(fā)器,每當(dāng)源表中 的數(shù)據(jù)發(fā)生變化,就被相應(yīng)的觸發(fā)器將變化的數(shù)據(jù)寫入一個(gè)臨時(shí)表,抽取線程從臨時(shí)表中抽取數(shù)據(jù),臨時(shí)表中抽取過的數(shù)據(jù)被標(biāo)記或刪除。對(duì)于此類應(yīng)用方式,CDP在進(jìn)行數(shù)據(jù)同步時(shí)僅需指定抽取觸 發(fā)器寫入表即可。表方式:在業(yè)務(wù)系統(tǒng)中添加系統(tǒng)日志表,當(dāng)業(yè)務(wù)數(shù)據(jù)發(fā)生變化時(shí),更新維護(hù)日志表內(nèi)容,當(dāng)作ETL 加載時(shí),通過讀日志表數(shù)據(jù)決定加載那些數(shù)據(jù)及如何加載。對(duì)于此類應(yīng)用方式,CDP同樣使用Where過 濾條件做增量抽取。日志表方式:在業(yè)務(wù)系統(tǒng)中添加系統(tǒng)日志表,當(dāng)業(yè)務(wù)數(shù)據(jù)發(fā)生變化時(shí),更新維護(hù)日志表內(nèi)容,當(dāng)作ETL 加載時(shí),通過讀日志表數(shù)據(jù)決定加載那些數(shù)據(jù)及如何加載。對(duì)于此類應(yīng)用方式,CDP同樣使用Where過濾條件做增量抽取。數(shù)據(jù)同步通常會(huì)對(duì)接源宿兩端數(shù)據(jù)存儲(chǔ),需要根據(jù)源宿兩端數(shù)據(jù)源的具體信息適配和轉(zhuǎn)換相應(yīng)的數(shù)據(jù)內(nèi)容。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論