关于数据上传阿里云MaxCompute调研
1.背景
当前的数据存储基于mysql库表存储形式，目前已经无法满足愈加增大的数据存储需求，新项目基于Maxcompute数据仓库架构，需要将统计日志上传Maxcompute，本文对Maxcompute系统数据上传进行调研，测试，包括基于LogStash收集的DataHub实时数据通道和批量数据通道SDK等。
2技术调研及测试
2.1数据通道SDK
2.1.1 UploadSession
2.1.1.1 说明
MaxCompute Tunnel是MaxCompute的数据通道，可通过提供接口上传数据；
接口定义如下：
public class UploadSession {
UploadSession(Configuration conf, String projectName, String tableName,
String partitionSpec) throws TunnelException;
UploadSession(Configuration conf, String projectName, String tableName,
String partitionSpec, String uploadId) throws TunnelException;
public void commit(Long[] blocks);
public Long[] getBlockList();
public String getId();
public TableSchema getSchema();
public UploadSession.Status getStatus();
public Record newRecord();
public RecordWriter openRecordWriter(long blockId);
public RecordWriter openRecordWriter(long blockId, boolean compress);
public RecordWriter openBufferedWriter();
public RecordWriter openBufferedWriter(boolean compress);
}
接口说明如下：
生命周期：从创建Upload实例到结束上传。
创建Upload实例：通过调用构造方法和TableTunnel两种方式进行创建。
请求方式：同步。
Server端会为该Upload创建一个session， 生成唯一UploadId标识该Upload，客户端可以通过getId获取。
上传数据：
请求方式：同步。
调用openRecordWriter方法，生成RecordWriter实例，其中参数blockId用于标识此次上传的数据，也描述了数据在整个表中的位置，取值范围为[0,20000]，当数据上传失败，可以根据blockId重新上传。
查看上传：
请求方式：同步。
调用getStatus可以获取当前Upload状态。
调用getBlockList可以获取成功上传的blockid list，可以和上传的blockid list对比，对失败的blockId重新上传。
结束上传：
请求方式：同步。
调用commit（Long[] blocks）方法，参数blocks列表表示已经成功上传的block列表，Server端会对该列表进行验证。
该功能是加强对数据正确性的校验，如果提供的block列表与Server端存在的block列表不一致抛出异常。
Commit失败可以进行重试。
状态如下：
UNKNOWN：Server端刚创建一个Session时设置的初始值。
NORMAL：创建Upload对象成功。
CLOSING：当调用complete方法（结束上传）时，服务端会先把状态置为CLOSING。
CLOSED：完成结束上传（即把数据移动到结果表所在目录）后。
EXPIRED：上传超时。
CRITICAL：服务出错。
同一个Upload中Session的blockId不能重复。也就是说，对于同一个UploadSession，用一个blockId打开RecordWriter，写入一批数据后，调用close，然后再commit完成后，不可以重新再用该blockId打开另一个RecordWriter写入数据。
一个block大小上限100GB，建议大于64M的数据。
每个Session在服务端的生命周期为24小时。
上传数据时，Writer每写入8KB数据，便会触发一次网络动作，如果120秒内没有网络动作，服务端将主动关闭连接，此时Writer将不可用，重新打开一个新的Writer写入。
官方建议使用openBufferedWriter接口上传数据，屏蔽了blockId的细节，并且内部带有数据缓存区，会自动进行失败重试；
2.1.1.2示例代码
public class UploadSample {
private static String accessId = “******";
private static String accessKey = "******";
private static String odpsUrl = "http://service.odps.aliyun.com/api";
private static String tunnelUrl = "http://dt.cn-shanghai.maxcompute.aliyun.com";
//设置tunnelUrl，若需要走内网时必须设置”aliyun-inc”，否则默认公网。
private static String project = "BaseDatawarehouse";
private static String table = "origin_data";
private static String partition = "2018-07-02";
public static void main(String args[]) {
Account account = new AliyunAccount(accessId, accessKey);
Odps odps = new Odps(account);
odps.setEndpoint(odpsUrl);
odps.setDefaultProject(project);
try {
TableTunnel tunnel = new TableTunnel(odps);
tunnel.setEndpoint(tunnelUrl);//tunnelUrl设置
PartitionSpec partitionSpec = new PartitionSpec(partition);
UploadSession uploadSession = tunnel.createUploadSession(project,
table, partitionSpec);
TableSchema schema = uploadSession.getSchema();
// 准备数据后打开Writer开始写入数据，准备数据后写入一个Block
RecordWriter recordWriter = uploadSession.openRecordWriter(0);
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());
}
}
for (int i = 0; i < 10; i++)
recordWriter.write(record);
}
recordWriter.close();
uploadSession.commit(new Long[]{0L});
System.out.println("upload success!");
} catch (TunnelException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.1.2 TunnelBufferedWriter
2.1.2.1 说明
TunnelBufferedWriter是官方推荐的接口，也是本次测试所用的接口；
一次完整的上传流程通常包括以下步骤：
1、先对数据进行划分。
2、为每个数据块指定block Id，即调用openRecordWriter(id)。
3、用一个或多个线程分别将这些block上传上去，并在某个block上传失败以后，需要对整个block进行重传。
4、在所有block都上传以后，向服务端提供上传成功的blockid list进行校验，即调用session.commit([1,2,3,…])。
5、由于服务端对block管理，连接超时等的一些限制，上传过程逻辑变得比较复杂，为了简化上传过程，SDK提供了更高级的一种RecordWriter—TunnelBufferWriter。
接口定义如下：
public class TunnelBufferedWriter implements RecordWriter {
public TunnelBufferedWriter(TableTunnel.UploadSession session, CompressOption option) throws IOException;
public long getTotalBytes();
public void setBufferSize(long bufferSize);
public void setRetryStrategy(RetryStrategy strategy);
public void write(Record r) throws IOException;
public void close() throws IOException;
}
TunnelBufferedWriter 对象：
生命周期：从创建RecordWriter到数据上传结束。
创建TunnelBufferedWriter实例：通过调用UploadSession的openBufferedWriter接口创建。
数据上传：调用Write接口，数据会先写入本地缓存区，缓存区满后会批量提交到服务端，避免了连接超时，同时，如果上传失败会自动进行重试。
结束上传：调用close接口，最后再调用UploadSession的commit接口，即可完成上传。
缓冲区控制：可以通过setBufferSize接口修改缓冲区占内存的字节数（bytes），建议设置64M以上的大小，避免服务端产生过多小文件，影响性能，一般无须设置，维持默认值即可。
重试策略设置：可以选择三种重试回避策略：指数回避（EXPONENTIAL_BACKOFF）、线性时间回避（LINEAR_BACKOFF）、常数时间回避（CONSTANT_BACKOFF）。例如：下面这段代码可以将Write的重试次数调整为6，每一次重试之前先分别回避4s、8s、16s、32s、64s和128s（从4开始的指数递增的序列），这个也是默认的行为，一般情况不建议调整。
2.1.2.2 测试代码
public class uplodsession {
private static String accessId = "******";
private static String accessKey = "******";
private static String odpsUrl = "http://service.odps.aliyun.com/api";
private static String tunnelUrl = "http://dt.cn-beijing.maxcompute.aliyun.com";
//设置tunnelUrl，若需要走内网时必须设置，否则默认公网。
private static String project = "******";
private static String table = "******";
public static void main(String[] args) {
Account account = new AliyunAccount(accessId, accessKey);
Odps odps = new Odps(account);
odps.setEndpoint(odpsUrl);
odps.setDefaultProject(project);
TableTunnel tunnel = new TableTunnel(odps);
tunnel.setEndpoint(tunnelUrl);//tunnelUrl
TableTunnel.UploadSession uploadSession = null;
//获取开始时间
long startTime = System.currentTimeMillis();
try {
uploadSession = tunnel.createUploadSession(project,table);
System.out.println("Session Status is : "
+ uploadSession.getStatus().toString());
RecordWriter recordWriter = uploadSession.openBufferedWriter();
Record product = uploadSession.newRecord();
String message = ""
for (int i=0;i<1000000;i++){
product.setString("log",message);
recordWriter.write(product);
count=count+1;
if(count>=10000){
recordWriter.close();
uploadSession.commit();
System.out.println("開始提交");
break;
}
}
System.out.println("upload success!");
//获取结束时间
long endTime = System.currentTimeMillis();
System.out.println("程序运行时间：" + (endTime - startTime) + "ms"); //输出程序运行时间
} catch (TunnelException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.1.3 消费kafka数据写入Maxcompute
2.1.3.1 示例代码
public class up {
public static void main(String[] args) throws IOException, TunnelException {
ConsumerConnector consumer;
// 连接的Zookeeper接口, 不同业务模块使用的数据是相同的
String zookeeper = "10.172.217.86:2181,10.44.143.42:2181,10.252.0.171:2181";
// Kafka消费者订阅的主题,临时测试主
String topic = "testReceivelog";
String groupId = "testConsumer";
String accessId = "******";
String accessKey = "******";
String odpsUrl = "http://service.odps.aliyun.com/api";
String tunnelUrl = "http://dt.cn-beijing.maxcompute.aliyun.com";
//设置tunnelUrl，若需要走内网时必须设置，否则默认公网。此处给的是华东2经典网络Tunnel Endpoint，其他region可以参考文档《访问域名和数据中心》。
String project = "BaseDatawarehouse";
String table = "origin_data";
Properties props = new Properties();
props.put("zookeeper.connect", zookeeper);
props.put("group.id", groupId);
props.put("zookeeper.session.timeout.ms", "500");
props.put("zookeeper.sync.time.ms", "250");
props.put("auto.commit.interval.ms", "1000");
consumer = Consumer.createJavaConsumerConnector(new ConsumerConfig(props));
Account account = new AliyunAccount(accessId, accessKey);
Odps odps = new Odps(account);
odps.setEndpoint(odpsUrl);
odps.setDefaultProject(project);
TableTunnel tunnel = new TableTunnel(odps);
tunnel.setEndpoint(tunnelUrl);//tunnelUrl
TableTunnel.UploadSession uploadSession = null;
RecordWriter recordWriter = null;
try {
uploadSession = tunnel.createUploadSession(project, table);
System.out.println("Session Status is : "
+ uploadSession.getStatus().toString());
recordWriter = uploadSession.openBufferedWriter();
} catch (TunnelException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
Record product = uploadSession.newRecord();
Map<String, Integer> topicCount = new HashMap<>();
//3线程消费3partition数据
topicCount.put(topic, 3);
Map<String, List<KafkaStream<byte[], byte[]>>> consumerStreams = consumer.createMessageStreams(topicCount);
List<KafkaStream<byte[], byte[]>> streams = consumerStreams.get(topic);
for (final KafkaStream stream : streams) {
ConsumerIterator<byte[], byte[]> it = stream.iterator();
int count = 0;
while (it.hasNext()) {
String message = new String(it.next().message());
//写入
product.setString("log", message);
recordWriter.write(product);
count = count + 1;
if (count >= 10000) {
recordWriter.close();
uploadSession.commit();
count = 0;
uploadSession = tunnel.createUploadSession(project, table);
recordWriter = uploadSession.openBufferedWriter();
product = uploadSession.newRecord();
}
}
if (consumer != null) {
consumer.shutdown();
}
if(recordWriter!=null){
recordWriter.close();
}
}
}
优点：
批量导入，效率高，数据无丢失；
缺点：
1、批量倒入，数据无法精确归档（根据统计需求，需要将日志按照天、小时归档，如果对每条数据处理则更不适合，需要实时处理）；
2、批量导入，上传效率依赖于消费kafka；
3、Kafka适合实时处理，不适合批量操作；
4、批量导入，数据归档有误差，每批次中含有除当前分区外的其他分区数据，造成统计指标失准；
2.2 DataHub实时数据通道
2.2.1 说明
产品优势：
1、高吞吐
最高支持单主题（Topic）每日T级别的数据量写入，每个分片（Shard）支持最高每日8000万Record级别的写入量。
2、实时性
通过DataHub ，您可以实时的收集各种方式生成的数据并进行实时的处理，对您的业务产生快速的响应。
3、易用性
DataHub提供丰富的SDK包，包括C++， JAVA， Pyhon， Ruby， Go等语言；DataHub服务也提供Restful API规范，您可以用自己的方式实现访问接口。除了SDK以外，DataHub还提供一些常用的客户端插件，包括：Fluentd，LogStash，Flume等，可以使用这些客户端工具往DataHub中写入流式数据。
DataHub同时支持强Schema的结构化数据和无类型的非结构化数据。
4、高可用
服务可用性不低于99.999%。
规模自动扩展，不影响对外服务。
数据持久性不低于99.999%。
数据自动多重冗余备份。
5、动态伸缩
每个主题（Topic）的数据流吞吐能力可以动态扩展和减少，最高可达到每主题256000 Records/s的吞吐量。
6、高安全性
提供企业级多层次安全防护，多用户资源隔离机制。
提供多种鉴权和授权机制及白名单、主子账号功能。
7、DataHub服务基于阿里云自研的飞天平台，具有高可用，低延迟，高可扩展，高吞吐的特点。DataHub与阿里云流计算引擎StreamCompute无缝连接，可以轻松使用SQL进行流数据分析。
DataHub服务也提供分发流式数据到各种云产品的功能，目前支持分发到MaxCompute（原ODPS），OSS等。
功能图：
2.2.1.1 流式数据同步DataConnector
DataHub DataConnector是把DataHub服务中的流式数据同步到其他云产品中的功能，目前支持将Topic中的数据实时/准实时同步到MaxCompute(ODPS)、OSS、ElasticSearch、RDS Mysql、ADS、TableStore中。用户只需要向DataHub中写入一次数据，并在DataHub服务中配置好同步功能，便可以在各个云产品中使用这份数据。数据同步支持at least once语义，在网络服务异常等小概率场景下可能会导致目的端的数据产生重复。
DataConnector支持系统
|
目标系统 |
时效性 |
描述 |
|
MaxCompute（Odps） |
准实时，通常情况5分钟延迟 |
同步Topic中流式数据到离线MaxCompute表，字段类型名称需一一对应，且DataHub中必须包含一列（或多列）MaxCompute表中分区列对应的字段 |
|
OSS |
实时 |
同步数据到对象存储OSS指定Bucket的文件中，将以csv格式保存 |
|
ElasticSearch |
实时 |
同步数据到ElasticSearch指定Index中，Shard之间数据同步不保证时序，所以需将同样ID的数据写入相同的Shard中 |
|
Mysql |
实时 |
同步数据到指定的Rds Mysql表中 |
|
ADS |
实时 |
同步数据到指定的ADS表中 |
|
TableStore |
实时 |
同步数据到指定的TableStore表中 |
如何创建
创建Connector主要需要如下前置条件：
准备对应的MaxCompute表，该表字段类型、名称、顺序必须与DataHub Topic字段完全一致，如果三个条件中的任意一个不满足，则归档Connector无法创建。字段类型对应表见后表。
访问MaxCompute账号的设置，该账号必须具备该MaxCompute的Project的CreateInstance权限和归档MaxCompute表的Desc、Alter、Update权限，建议使用一个特殊最小权限的账号。官方建议使用RAM用户账号。
DataHub Topic的Owner/Creator账号, 才有相应的权限操作Connector，包括创建，删除等。
只支持将TUPLE类型的DataHub Topic同步到MaxCompute表中
操作流程： Project列表->Project查看->Topic查看->点击归档MaxCompute->填写配置，点击创建
配置说明:
|
名称 |
是否必须 |
描述 |
|
MaxCompute Project |
yes |
MaxComputeProject名称 |
|
MaxCompute Table |
yes |
MaxCompute表名称 |
|
AccessId |
yes |
访问MaxCompute的阿里云账号AccessId |
|
AccessKey |
yes |
访问MaxCompute的阿里云账号AccessKey |
|
分区选项 |
yes |
SYSTEM_TIME、EVENT_TIME、USER_DEFINE三种模式，SystemTime模式会使用写入时间转化为字符串进行分区，EventTime模式会根据topic中固定的event_time字段时间进行分区（需要在创建Topic时增加一个TIMESTAMP类型名称为event_time的字段，并且写入数据时向这个字段写入其微秒时间）,UserDefine模式将会直接使用用户自定义的分区字段字符串分区 |
|
分区范围 |
yes |
划分分区的时间间隔，在SYSTEM_TIME、EVENT_TIME两种模式下生效，最少为15分钟 |
|
分区格式定义 |
yes |
目前仅支持固定格式，未来将会开放为自定义格式，目前格式下，若为15分钟的分区范围，则会产生ds=20170704,hh=01,mm=15这样的分区 |
注意:
支持MaxCompute分区表
分区选项选择SYSTEM_TIME模式，表结构对应如下：
MaxCompute表： table_test(f1 string, f2 string, f3 double) partitioned by (ds string, hh string, mm string)
对应Topic应为如下的Schema:
Topic: topic_test(f1 string, f2 string, f3 double)
数据同步时根据写入时间确定ds/hh/mm的值写入MaxCompute
分区选项选择EVENT_TIME模式，表结构对应如下：
MaxCompute表： table_test(f1 string, f2 string, f3 double) partitioned by (ds string, hh string,mm string)
对应Topic应为如下的Schema:
Topic: topic_test(f1 string, f2 string, f3 double, event_time timestamp)
数据同步时根据event_time字段时间戳确定ds/hh/mm的值写入MaxCompute
分区选项选择USER_DEFINE模式，表结构对应如下：
MaxCompute表： table_test(f1 string, f2 string, f3 double) partitioned by (ds string, pt string)
对应Topic应为如下的Schema:
Topic: topic_test(f1 string, f2 string, f3 double, ds string, pt string)
数据同步时根据ds、pt的数据值，写入对应分区
USER_DEFINE模式下MaxCompute分区字段内容必须非空UTF8字符串，否则归档任务将无法正常运行或数据无效被丢弃。
USER_DEFINE模式下MaxCompute的分区字段的值必须符合MaxCompute对分区字段值的范围要求，否则归档任务将无法正常运行。
分区选项为EventTime模式时，若event_time字段的数据值是null或非法，会降级使用数据写入DataHub的SystemTime写入对应分区。
数据归档的频率为每个Shard每5分钟或者Shard中新写入的数据量达到64MB，DataConnector服务会批量进行一次数据归档进入MaxCompute表的操作。所以数据写入DataHub Topic后至多5分钟后在MaxCompute可以被查询到。
DataHub与MaxCompute字段类型对应表:
|
MaxCompute表中的类型 |
DataHub Topic中的类型 |
|
STRING |
STRING |
|
DOUBLE |
DOUBLE |
|
BIGINT |
BIGINT |
|
DATETIME |
TIMESTAMP |
|
BOOLEAN |
BOOLEAN |
|
DECIMAL |
DECIMAL |
|
MAP |
不支持 |
|
ARRAY |
不支持 |
最高支持单主题（Topic）每日T级别的数据量写入，每个分片（Shard）支持最高每日8000万Record级别的写入量，每个主题（Topic）的数据流吞吐能力可以动态扩展和减少，最高可达到每主题256000 Records/s的吞吐量，目前1个分片就足以支撑我们的数据量。
3. 对比与结论
3.1数据通道SDK
数据通道SDK上传流程如图：图略
说明：
延续用已有的数据采集架构，新建groupid 消费kafka的统一topic，然后springboot后台实时消费kafka数据，每10000条上传一次Maxcompute。
优点：
可以不用log重新采集，使用数据通道SDK可以解决DataHub的使用成本（SDK上传MaxCOmpute目前只有杭州能走内网，华北2北京要走公网，会流量费用）
不足：
1、批量上传，数据归档存在问题，造成统计结果存在误差。
2、数据上传效率依赖卡夫卡吞吐，存在单点故障隐患。
3.2 DataHub实时数据通道
DataHub 上传数据流程图：图略
说明：
从新搭建数据采集，与原有采集系统隔离，通过logstash直接上传数据到DataHub,数据实时归档到MaxCompute
优点：
1、以后实时计算直接可在DataHub接StreamCompute复用性扩展性比较好。
2、数据可实时归档，保证统计结果正确。
3、链路较短易维护，同时使用DataHub零维护，可靠性好。
4、吞吐量大，完全支撑日益增长的数据量。
3.3 结论
对比表：
|
|
DataHub |
数据通道SDK |
|
吞吐量 |
最高支持单主题（Topic）每日T级别的数据量写入，每个分片（Shard）支持最高每日8000万Record级别的写入量每个主题（Topic）的数据流吞吐能力可以动态扩展和减少，最高可达到每主题256000 Records/s的吞吐量。 |
单个block上传的数据限制为100G，最多可20000个block |
|
实时性 |
实时数据通道数据直接由logstash收集不用读kafka数据实时写入，每topic数据量达64M，或者当前数据超过五分钟会自动写入Maxcompute归档，实时性好 |
因为需要实时读取kafka数据，每读64m的数据会提交一次，需要http访问，目前华北二只能走公网，所以延迟很大 |
|
可靠性 |
服务可用性不低于99.999% 规模自动扩展，不影响对外服务 数据持久性不低于99.999% 数据自动多重冗余备份 |
存在单点故障问题，无法保证续传 |
|
数据归档 |
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，数据产生时间与归档时间误差极小，目前测试按照天，小时，分钟对数据进行归档，以便统计和存储 |
批量上传无法准确归档，如准确归档需要每一条数据处理一次，上传一次，那么吞吐十分低，满足不了我们日益增长的数据量 |
|
维护成本 |
云服务零维护成本 |
需要根据需求开发上传代码，监控任务以及上传的数据完整性，维护成本高 |
|
费用成本 |
因为数据最终存储MaxCompute，datahub作为其一组件不产生费用 |
共享已有服务器资源无费用 |
通过两种上传方式调研、测试，以及上传数据流程对比，DataHub实时数据通道，有更好的可扩展性，能准确的对数据进行归档，以及良好的可靠性和零维护，所以采用这种方式作为数据上传比较合适。
