基於DataLakeAnalytics的資料湖實踐

xumingmingv發表於2018-09-03

隨著軟硬體各方面條件的成熟，資料湖(Data Lake)已經越來越受到各大企業的青睞, 與傳統的數倉實踐不一樣的是，資料湖不需要專門的“入倉”的過程，資料在哪裡，我們就從哪裡讀取資料進行分析。這樣的好處在於：一來資料可以儲存在很便宜的儲存上面(比如阿里雲的OSS 上面), 給企業節省預算，而需要分析的時候又可以分析；另一方面，因為省去了入倉的流程，對於中小型企業來說人員投入更少，更容易上手。

今天我們就給大家介紹一下，如何基於阿里雲的資料湖分析引擎: DataLake Analytics(後面簡稱DLA) 對使用者儲存在 OSS 裡面的資料建立資料湖，對資料進行各個維度的分析，分析完成得到業務洞見之後再把這些產生的結果再回流到的 RDS 裡面供前臺業務決策使用。

開通DLA

在開始之前我們要有一個 DLA 的賬號，目前 DLA 正在公測，直接申請試用就好了。試用審批成功之後，你會獲得一個使用者名稱和密碼, 然後在控制檯登入就可以使用:

控制檯1

或者如果你是極客，更偏愛命令列，你也可以使用普通的 MySQL 客戶端就可以連線 DLA 了:

mysql -hservice.cn-shanghai.datalakeanalytics.aliyuncs.com 
      -P10000 
      -u<your-user-name> 
      -p<your-password>

在這篇文章裡面，我會使用 MySQL 命令列給大家演示 DLA 的功能。

另外你還需要在您的OSS上準備一些測試資料, 我這裡準備的是著名的 TPCH 測試資料集:

OSS資料集

用DLA分析OSS上的資料

DLA 是一個以 SQL 作為查詢語言的資料湖引擎，為了能夠讓 DLA 能夠對 OSS 上的資料進行查詢，我們需要以某種方式告訴 DLA 我們 OSS 資料的結構。為了讓使用者使用更方便，DLA 使用了傳統的 資料庫, 表 的概念來維護這些資料的元資訊，也就說，OSS的檔案結構的資料對映到 DLA 變成了一個資料庫和一堆表。

以 TPCH 資料集來舉個例子，我們知道 TPCH 資料集裡面包含了如下幾塊資訊: 使用者(customer), 訂單(orders), 訂單的詳情(lineitem) 等等，這些資料整體屬於一塊業務，我們建立一個資料庫來對應:

CREATE SCHEMA oss_tpch with DBPROPERTIES(
  CATALOG = `oss`,
  LOCATION = `oss://public-datasets-cn-hangzhou/tpch/1x/`  
);

這每塊資料對應到OSS上一個目錄的多個檔案，拿 訂單 來說，它對應的是 orders_text 目錄下面的 1 個檔案(這個例子裡面只有一個檔案，實際使用中，這裡可以有多個檔案):

Orders對應的檔案

我們把這個 orders_text 目錄對映到我們的資料庫 oss_tpch 下面的一張表:

use oss_tpch;

CREATE EXTERNAL TABLE IF NOT EXISTS orders (
    O_ORDERKEY INT, 
    O_CUSTKEY INT, 
    O_ORDERSTATUS STRING, 
    O_TOTALPRICE DOUBLE, 
    O_ORDERDATE DATE, 
    O_ORDERPRIORITY STRING, 
    O_CLERK STRING, 
    O_SHIPPRIORITY INT, 
    O_COMMENT STRING
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY `|` 
STORED AS TEXTFILE 
LOCATION `oss://public-datasets-cn-hangzhou/tpch/1x/orders_text/`;

這樣我們就可以通過 DLA 對OSS上的進行資料分析了, 比如我們先來查個前十條看看:

mysql> select * from orders limit 10;
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+---------------------------------------------------------------------------+
| o_orderkey | o_custkey | o_orderstatus | o_totalprice | o_orderdate | o_orderpriority | o_clerk         | o_shippriority | o_comment                                                                 |
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+---------------------------------------------------------------------------+
|          1 |   3689999 | O             |    224560.83 | 1996-01-02  | 5-LOW           | Clerk#000095055 |              0 | nstructions sleep furiously among                                         |
|          2 |   7800163 | O             |     75388.65 | 1996-12-01  | 1-URGENT        | Clerk#000087916 |              0 |  foxes. pending accounts at the pending, silent asymptot                  |
|          3 |  12331391 | F             |    255287.36 | 1993-10-14  | 5-LOW           | Clerk#000095426 |              0 | sly final accounts boost. carefully regular ideas cajole carefully. depos |
|          4 |  13677602 | O             |     43119.84 | 1995-10-11  | 5-LOW           | Clerk#000012340 |              0 | sits. slyly regular warthogs cajole. regular, regular theodolites acro    |
|          5 |   4448479 | F             |    125809.76 | 1994-07-30  | 5-LOW           | Clerk#000092480 |              0 | quickly. bold deposits sleep slyly. packages use slyly                    |
|          6 |   5562202 | F             |      56408.2 | 1992-02-21  | 4-NOT SPECIFIED | Clerk#000005798 |              0 | ggle. special, final requests are against the furiously specia            |
|          7 |   3913430 | O             |    240358.24 | 1996-01-10  | 2-HIGH          | Clerk#000046961 |              0 | ly special requests                                                       |
|         32 |  13005694 | O             |    136666.23 | 1995-07-16  | 2-HIGH          | Clerk#000061561 |              0 | ise blithely bold, regular requests. quickly unusual dep                  |
|         33 |   6695788 | F             |    183460.23 | 1993-10-27  | 3-MEDIUM        | Clerk#000040860 |              0 | uriously. furiously final request                                         |
|         34 |   6100004 | O             |     52842.63 | 1998-07-21  | 3-MEDIUM        | Clerk#000022278 |              0 | ly final packages. fluffily final deposits wake blithely ideas. spe       |
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+---------------------------------------------------------------------------+
10 rows in set (0.21 sec)

我們再來看看使用者 36901 的前十條訂單:

mysql> select * from orders where o_custkey= `36901` limit 10;
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+------------------------------------------------------------------+
| o_orderkey | o_custkey | o_orderstatus | o_totalprice | o_orderdate | o_orderpriority | o_clerk         | o_shippriority | o_comment                                                        |
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+------------------------------------------------------------------+
|    1243264 |     36901 | F             |    103833.45 | 1992-03-23  | 2-HIGH          | Clerk#000000922 |              0 | nts haggle. even, even theodolites are. blithely                 |
|    1274530 |     36901 | O             |    181977.58 | 1997-04-29  | 2-HIGH          | Clerk#000000232 |              0 | bold foxes along the carefully expres                            |
|    1599527 |     36901 | F             |    322352.11 | 1993-10-16  | 2-HIGH          | Clerk#000000674 |              0 | the slyly even dependencies.                                     |
|    1837477 |     36901 | F             |    101653.62 | 1993-05-27  | 5-LOW           | Clerk#000000891 |              0 | lyly special requests. express foxes sleep fu                    |
|    1994082 |     36901 | O             |     77952.78 | 1995-07-05  | 3-MEDIUM        | Clerk#000000525 |              0 | luffily ironic courts. bold, e                                   |
|    2224802 |     36901 | F             |    243852.76 | 1993-01-14  | 1-URGENT        | Clerk#000000827 |              0 | sly final requests. pending, regular ideas among the furiously u |
|    4957636 |     36901 | F             |      5741.32 | 1992-05-20  | 5-LOW           | Clerk#000000230 |              0 | ackages. fluffily even packages solve carefully dolphins. unusua |
|    5078467 |     36901 | F             |    119823.03 | 1994-04-29  | 4-NOT SPECIFIED | Clerk#000000402 |              0 |  regular asymptotes cajo                                         |
|    5173859 |     36901 | F             |    103624.02 | 1994-05-28  | 3-MEDIUM        | Clerk#000000335 |              0 |  regular dependencies poach quickly. unusu                       |
|    5525574 |     36901 | O             |     136098.0 | 1998-02-16  | 4-NOT SPECIFIED | Clerk#000000425 |              0 | cial pinto beans wake. slyly even warthogs use. bo               |
+------------+-----------+---------------+--------------+-------------+-----------------+-----------------+----------------+------------------------------------------------------------------+
10 rows in set (1.07 sec)

再來查一查訂單量最多的前是個人:

mysql> select o_custkey, count(*) as cnt from orders group by o_custkey order by cnt desc limit 10;
+-----------+------+
| o_custkey | cnt  |
+-----------+------+
|      3451 |   41 |
|    102022 |   41 |
|    102004 |   41 |
|     79300 |   40 |
|    117082 |   40 |
|    122623 |   40 |
|     69682 |   39 |
|    143500 |   39 |
|    142450 |   38 |
|     53302 |   38 |
+-----------+------+
10 rows in set (2.69 sec)

恩，這些人就是我們要重點服務好的客戶啊，我們要把這些使用者的ID回寫到前臺的 RDS 資料庫裡面讓我們的營銷同學做一些針對性的營銷活動，沒問題，DLA支援把分析好的資料迴流到RDS

資料迴流 RDS

對映 MySQL 資料庫資訊進 DLA

要把分析好的資料迴流到RDS我們首先一種機制來告訴 DLA 資料迴流的目的地，得益於DLA統一的設計，我們就像對映 OSS 的資料一樣，我們對映一個 MySQL 資料庫進來就好了，比如我們要把資料寫到如下的資料庫裡面:

 mysql -habcde.mysql.rds.aliyuncs.com -P3306 -uhello -pworld -Dmarketing

那麼我們在 DLA 裡面建一個對映的庫:

CREATE SCHEMA `mysql_marketing` WITH DBPROPERTIES 
( 
  CATALOG = `mysql`, 
  LOCATION = `jdbc:mysql://abcde.mysql.rds.aliyuncs.com:3306/marketing`,
  USER=`hello`,
  PASSWORD=`world`,
  INSTANCE_ID = `<your-rds-instance-id>`,
  VPC_ID = `<your-vpc-id-where-your-rds-lives>`
);

這裡需要解釋一下的是 VPC_ID 和 INSTANCE_ID, 我們知道為了安全的原因在阿里雲上購買的 RDS 我們一般都會把它放在一個單獨的VPC裡面，以保證只有我們自己可以訪問，這裡為了讓 DLA 能夠訪問到我們的 MySQL 資料庫以進行資料迴流，我們需要告訴 DLA 這個 RDS的相關資訊。

其中 INSTANCE_ID 和 VPC_ID 在 RDS的詳情頁面都可以找到, 比如 VPC_ID :

INSTANCE_ID :

由於 RDS 的安全組會對訪問的來源IP進行控制，我們需要把DLA相關的地址段 100.104.0.0/16 IP地址段加入到你的RDS的白名單列表，如下圖:

到這裡為止，準備工作就完成了，我們的 mysql 資料庫建好了。

對映 MySQL 結果表進 DLA

我們要儲存的結果很簡單，就是下單量前 10 的使用者, 這個表在 MySQL 資料庫裡面的建表語句如下:

create table top10_user (
    custkey int,
    order_cnt bigint
);

而為了把這個表對映進 DLA 我們建一個對應的表，建表語句幾乎一樣:

use mysql_marketing;
create external table top10_user (
    custkey int,
    order_cnt bigint
);

ETL

下面我們就可以把查出來的資料進行迴流了:

mysql> insert into mysql_marketing.top10_user
    -> select o_custkey, count(*) as cnt from oss_tpch.orders
    -> group by o_custkey order by cnt desc limit 10;
+------+
| rows |
+------+
|   10 |
+------+
1 row in set (4.71 sec)

mysql> select * from mysql_marketing.top10_user;
+---------+-----------+
| custkey | order_cnt |
+---------+-----------+
|  143500 |        39 |
|  102004 |        41 |
|   53302 |        38 |
|    3451 |        41 |
|  122623 |        40 |
|  129637 |        38 |
|  102022 |        41 |
|  117082 |        40 |
|   69682 |        39 |
|   79300 |        40 |
+---------+-----------+
10 rows in set (0.14 sec)

總結

在這篇文章裡面，我帶大家一起體驗了一下如何用 DLA 建立基於 OSS 的資料湖，對資料庫裡面的資料進行各個維度的分析，分析完成之後把分析得到的關鍵資料再回寫到我們的RDS裡面去。例子裡面很多地方寫的比較簡單，如果想進一步瞭解更多相關詳細資訊可以參考以下資料:


相關文章