離線批次資料通道Tunnel的最佳實踐及常見問題

許此一生發表於2018-12-19

基本介紹及應用場景

Tunnel是MaxCompute提供的離線批次資料通道服務,主要提供大批次離線資料上傳和下載,
僅提供每次批次大於等於64MB資料的場景,小批次流式資料場景請使用DataHub實時資料通道以獲得更好的效能和體驗。

SDK上傳最佳實踐

import java.io.IOException;import java.util.Date;import com.aliyun.odps.Column;import com.aliyun.odps.Odps;import com.aliyun.odps.PartitionSpec;import com.aliyun.odps.TableSchema;import com.aliyun.odps.account.Account;import com.aliyun.odps.account.AliyunAccount;import com.aliyun.odps.data.Record;import com.aliyun.odps.data.RecordWriter;import com.aliyun.odps.tunnel.TableTunnel;import com.aliyun.odps.tunnel.TunnelException;import com.aliyun.odps.tunnel.TableTunnel.UploadSession;
public class UploadSample {
 private static String accessId = "<your access id>";
 private static String accessKey = "<your access Key>";
 private static String odpsUrl = "
 private static String project = "<your project>";
 private static String table = "<your table name>";
 private static String partition = "<your partition spec>";
 public static void main(String args[]) {   // 準備工作,僅需做一次
   Account account = new AliyunAccount(accessId, accessKey);
   Odps odps = new Odps(account);
   odps.setEndpoint(odpsUrl);
   odps.setDefaultProject(project);
   TableTunnel tunnel = new TableTunnel(odps);   try {     // 確定寫入分割槽
     PartitionSpec partitionSpec = new PartitionSpec(partition);     // 在服務端建立一個在本表本分割槽上有效期24小時的session,24小時內該session可以共計上傳20000個Block資料
     // 建立Session的時耗為秒級,會在服務端使用部分資源、建立臨時目錄等,操作較重,因此強烈建議同一個分割槽資料儘可能複用Session上傳。
     UploadSession uploadSession = tunnel.createUploadSession(project,
         table, partitionSpec);
     System.out.println("Session Status is : "
         + uploadSession.getStatus().toString());
     TableSchema schema = uploadSession.getSchema();     // 準備資料後開啟Writer開始寫入資料,準備資料後寫入一個Block,每個Block僅能成功上傳一次,不可重複上傳,CloseWriter成功代表該Block上傳完成,失敗可以重新上傳該Block,同一個Session下最多允許20000個BlockId,即0-19999,若超出請CommitSession並且再建立一個新Session使用,以此類推。
     // 單個Block內寫入資料過少會產生大量小檔案 嚴重影響計算效能, 強烈建議每次寫入64MB以上資料(100GB以內資料均可寫入同一Block)
     // 可透過資料的平均大小與記錄數量大致計算總量即 64MB < 平均記錄大小*記錄數 < 100GB
     // maxBlockID服務端限制為20000,使用者可以根據自己業務需求,每個Session使用一定數量的block例如100個,但是建議每個Session內使用block越多越好,因為建立Session是一個很重的操作
     // 如果建立一個Session後僅僅上傳少量資料,不僅會造成小檔案、空目錄等問題,還會嚴重影響上傳整體效能(建立Session花費秒級,真正上傳可能僅僅用了十幾毫秒)
     int maxBlockID = 20000;     for (int blockId = 0; blockId < maxBlockID; blockId++) {       // 準備好至少64MB以上資料,準備完成後方可寫入
       // 例如:讀取若干檔案或者從資料庫中讀取資料
       try {         // 在該Block上建立一個Writer,writer建立後任意一段時間內,若某連續2分鐘沒有寫入4KB以上資料,則會超時斷開連線
         // 因此建議在建立writer前在記憶體中準備可以直接進行寫入的資料
         RecordWriter recordWriter = uploadSession.openRecordWriter(blockId);         // 將讀取到的所有資料轉換為Tunnel Record格式並切入
         int recordNumber = 1000000;         for (int index = 0; i < recordNumber; i++) {           // 將第index條原始資料轉化為odps record
           Record record = uploadSession.newRecord();           for (int i = 0; i < schema.getColumns().size(); i++) {
             Column column = schema.getColumn(i);             switch (column.getType()) {               case BIGINT:
                 record.setBigint(i, 1L);                 break;               case BOOLEAN:
                 record.setBoolean(i, true);                 break;               case DATETIME:
                 record.setDatetime(i, new Date());                 break;               case DOUBLE:
                 record.setDouble(i, 0.0);                 break;               case STRING:
                 record.setString(i, "sample");                 break;               default:                 throw new RuntimeException("Unknown column type: "
                     + column.getType());
             }
           }           // Write本條資料至服務端,每寫入4KB資料會進行一次網路傳輸
           // 若120s沒有網路傳輸服務端將會關閉連線,屆時該Writer將不可用,需要重新寫入
           recordWriter.write(record);
         }         // close成功即代表該block上傳成功,但是在整個Session Commit前,這些資料是在odps 臨時目錄中不可見的
         recordWriter.close();
       } catch (TunnelException e) {         // 建議重試一定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       } catch (IOException e) {         // 建議重試一定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       }
     }     // 提交所有Block,uploadSession.getBlockList()可以自行指定需要提交的Block,Commit成功後資料才會正式寫入Odps分割槽,Commit失敗建議重試10次
     for (int retry = 0; retry < 10; ++retry) {       try {         // 秒級操作,正式提交資料
         uploadSession.commit(uploadSession.getBlockList());         break;
       } catch (TunnelException e) {
         System.out.println("uploadSession commit failed:" + e.getMessage());
       } catch (IOException e) {
         System.out.println("uploadSession commit failed:" + e.getMessage());
       }
     }
     System.out.println("upload success!");
   } catch (TunnelException e) {
     e.printStackTrace();
   } catch (IOException e) {
     e.printStackTrace();
   }
 }
}

構造器舉例說明:

PartitionSpec(String spec):透過字串構造此類物件。

引數:

spec: 分割槽定義字串,比如: pt='1',ds='2'。
因此程式中應該這樣配置:private static String partition = "pt='XXX',ds='XXX'";

常見問題

MaxCompute Tunnel是什麼?

Tunnel是MaxCompute的資料通道,使用者可以透過Tunnel向MaxCompute中上傳或者下載資料。目前Tunnel僅支援表(不包括檢視View)資料的上傳下載。

BlockId是否可以重複?

同一個UploadSession裡的blockId不能重複。也就是說,對於同一個UploadSession,用一個blockId開啟RecordWriter,寫入一批資料後,呼叫close,
然後再commit完成後,寫入成功後不可以重新再用該blockId開啟另一個RecordWriter寫入資料。 Block預設最多20000個,即0-19999。

Block大小是否存在限制?

一個block大小上限 100GB,強烈建議大於64M的資料,每一個Block對應一個檔案,小於64MB的檔案統稱為小檔案,小檔案過多將會影響使用效能。
使用新版BufferedWriter可以更簡單的進行上傳功能避免小檔案等問題 Tunnel-SDK-BufferedWriter

Session是否可以共享使用,存在生命週期嗎?

每個Session在服務端的生命週期為24小時,建立後24小時內均可使用,也可以跨程式/執行緒共享使用,但是必須保證同一個BlockId沒有重複使用,分散式上傳可以按照如下步驟:
建立Session->資料量估算->分配Block(例如執行緒1使用0-100,執行緒2使用100-200)->準備資料->上傳資料->Commit所有寫入成功的Block。

Session建立後不使用是否對系統有消耗?

每個Session在建立時會生成兩個檔案目錄,如果大量建立而不使用,會導致臨時目錄增多,大量堆積時可能造成系統負擔,請一定避免此類行為,儘量共享利用session。

遇到Write/Read超時或IOException怎麼處理?

上傳資料時,Writer每寫入8KB資料會觸發一次網路動作,如果120秒內沒有網路動作,服務端將主動關閉連線,屆時Writer將不可用,請重新開啟一個新的Writer寫入。

建議使用 [Tunnel-SDK-BufferedWriter]介面上傳資料,該介面對使用者遮蔽了blockId的細節,並且內部帶有資料快取區,會自動進行失敗重試。

下載資料時,Reader也有類似機制,若長時間沒有網路IO會被斷開連線,建議Read過程連續進行中間不穿插其他系統的介面。

MaxCompute Tunnel目前有哪些語言的SDK?

MaxCompute Tunnel目前提供Java版的SDK。

MaxCompute Tunnel 是否支援多個客戶端同時上傳同一張表?

支援。

MaxCompute Tunnel適合批次上傳還是流式上傳

MaxCompute Tunnel用於批次上傳,不適合流式上傳,流式上傳可以使用[DataHub高速流式資料通道],毫秒級延時寫入。

MaxCompute Tunnel上傳資料時一定要先存在分割槽嗎?

是的,Tunnel不會自動建立分割槽。

Dship 與 MaxCompute Tunnel的關係?

dship是一個工具,透過MaxCompute Tunnel來上傳下載。

Tunnel upload資料的行為是追加還是覆蓋?

追加的模式。

Tunnel路由功能是怎麼回事?

路由功能指的是Tunnel SDK透過設定MaxCompute獲取Tunnel Endpoint的功能。因此,SDK可以只設定MaxCompute的endpoint來正常工作。

用MaxCompute Tunnel上傳資料時,一個block的資料量大小多大比較合適

沒有一個絕對最優的答案,要綜合考慮網路情況,實時性要求,資料如何使用以及叢集小檔案等因素。一般,如果數量較大是持續上傳的模式,可以在64M - 256M,
如果是每天傳一次的批次模式,可以設大一些到1G左右

使用MaxCompute Tunnel 下載, 總是提示timeout

一般是endpoint錯誤,請檢查Endpoint配置,簡單的判斷方法是透過telnet等方法檢測網路連通性。

透過MaxCompute Tunnel下載,丟擲You have NO privilege ‘odps:Select‘ on {acs:odps:*:projects/XXX/tables/XXX}. project ‘XXX‘ is protected的異常

該project開啟了資料保護功能,使用者操作這是從一個專案的資料導向另一個專案,這需要該project的owner操作。

Tunnel上傳丟擲異常ErrorCode=FlowExceeded, ErrorMessage=Your flow quota is exceeded.**

Tunnel對請求的併發進行了控制,預設上傳和下載的併發Quota為2000,任何相關的請求發出到結束過程中均會佔用一個Quota單位。若出現類似錯誤,有如下幾種建議的解決方案:
1 sleep一下再重試;
2 將project的tunnel併發quota調大,需要聯絡管理員評估流量壓力;
3 報告project owner調查誰佔用了大量併發quota,控制一下。


來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/31551794/viewspace-2285737/,如需轉載,請註明出處,否則將追究法律責任。

相關文章