通过DataWorks数据集成迁移日志数据至MaxCompute - 云原生大数据计算服务 MaxCompute

本文为您介绍如何通过数据集成功能同步LogHub数据至MaxCompute。

背景信息

日志服务支持以下数据同步场景：

跨地域的LogHub与MaxCompute等数据源的数据同步。
不同阿里云账号下的LogHub与MaxCompute等数据源间的数据同步。
同一阿里云账号下的LogHub与MaxCompute等数据源间的数据同步。
公共云与金融云账号下的LogHub与MaxCompute等数据源间的数据同步。

以B账号进入数据集成配置同步任务，将A账号的LogHub数据同步至B账号的MaxCompute为例，跨阿里云账号的特别说明如下：

使用A账号的AccessKey ID和AccessKey Secret创建LogHub数据源。
此时B账号可以同步A账号下所有日志服务项目的数据。
使用A账号下的RAM用户A1的AccessKey ID和AccessKey Secret创建LogHub数据源。
- A账号为RAM用户A1赋予日志服务的通用权限，即AliyunLogFullAccess和AliyunLogReadOnlyAccess，详情请参见创建RAM用户及授权。
- A账号给RAM用户A1赋予日志服务的自定义权限。
  主账号A进入RAM控制台 > 权限管理 > 权限策略管理页面，单击新建授权策略。
  
  相关的授权请参见访问控制RAM和RAM子用户访问。
  根据下述策略进行授权后，B账号通过RAM用户A1只能同步日志服务project_name1以及project_name2的数据。
```
{
"Version": "1",
"Statement": [
{
"Action": [
"log:Get*",
"log:List*",
"log:CreateConsumerGroup",
"log:UpdateConsumerGroup",
"log:DeleteConsumerGroup",
"log:ListConsumerGroup",
"log:ConsumerGroupUpdateCheckPoint",
"log:ConsumerGroupHeartBeat",
"log:GetConsumerGroupCheckPoint"
],
"Resource": [
"acs:log:*:*:project/project_name1",
"acs:log:*:*:project/project_name1/*",
"acs:log:*:*:project/project_name2",
"acs:log:*:*:project/project_name2/*"
],
"Effect": "Allow"
}
]
}
```

新建LogHub数据源

登录DataWorks控制台，单击相应工作空间后的进入数据集成。
单击左侧导航栏中的数据源，即可跳转至工作空间管理 > 数据源管理页面。
在数据源管理页面，单击右上角的新增数据源。
在新增数据源对话框中，选择数据源类型为LogHub。

填写新增LogHub数据源对话框中的配置。


参数	描述
数据源名称	数据源名称必须以字母、数字、下划线组合，且不能以数字和下划线开头。
数据源描述	对数据源进行简单描述，不得超过80个字符。
LogHub Endpoint	LogHub的Endpoint，格式为`http://yyy.com`。详情请参见服务入口。
Project	输入项目名称。
AccessKey ID	访问密钥中的AccessKey ID，您可以进入控制台的用户信息管理页面进行复制。
AccessKey Secret	访问密钥中的AccessKey Secret，相当于登录密码。

单击测试连通性。
连通性测试通过后，单击完成。

新建离线同步节点

在数据源页面，单击左上角的图标，选择全部产品 > DataStudio（数据开发）。
在数据开发页面，鼠标悬停至图标，单击业务流程。
在新建业务流程对话框中，输入业务流程名称和描述，单击新建。
展开业务流程，右键单击数据集成，选择新建 > 离线同步。
在新建节点对话框中，输入节点名称，并选择目标文件夹。
单击提交，进入离线节点编辑页面。

通过向导模式配置同步任务

在离线节点编辑页面，选择数据来源。


参数	描述
数据源	输入LogHub数据源的名称。
Logstore	导出增量数据的表的名称。该表需要开启Stream，可以在建表时开启，或者使用UpdateTable接口开启。
日志开始时间	数据消费的开始时间位点，为时间范围（左闭右开）的左边界，为yyyyMMddHHmmss格式的时间字符串（例如20180111013000）。该参数可以和DataWorks的调度时间参数配合使用。
日志结束时间	数据消费的结束时间位点，为时间范围（左闭右开）的右边界，为yyyyMMddHHmmss格式的时间字符串（例如20180111013010）。该参数可以和DataWorks的调度时间参数配合使用。
批量条数	一次读取的数据条数，默认为256。

说明您可以进行数据预览，此处仅选择LogHub中的几条数据展现在预览框。由于您在进行同步任务时，会指定开始时间和结束时间，会导致预览结果和实际的同步结果不一致。

选择MaxCompute数据源及目标表。
选择字段的映射关系。
在通道控制中配置作业速率上限和脏数据检查规则。
确认当前节点的配置无误后，单击左上角的保存。
运行离线同步节点。
您可以通过以下两种方式运行离线同步节点：
- 直接运行（一次性运行）
  单击节点编辑页面工具栏中的运行图标，直接在页面运行。
  
  说明运行之前需要配置自定义参数的具体取值。
- 调度运行
  单击节点编辑页面工具栏中的提交图标，提交离线同步节点至调度系统，调度系统会根据配置的属性，从第2天开始自动定时运行。
  
  如上图所示，设置开始时间为系统前10分钟，结束时间为系统前5分钟：startTime=$[yyyymmddhh24miss-10/24/60] endTime=$[yyyymmddhh24miss-5/24/60]。
  
  如上图所示，设置离线同步节点的调度周期为分钟，从00:00~23:59每5分钟调度一次。

通过脚本模式配置离线同步节点

成功创建离线同步节点后，单击工具栏中的转换脚本。
单击提示对话框中的确认，即可进入脚本模式进行开发。
单击工具栏中的导入模板。
在导入模板对话框中，选择从来源端的LogHub数据源同步至目标端的ODPS数据源的导入模板，单击确认。

导入模板后，根据自身需求编辑代码，示例脚本如下。

{
"type": "job",
"version": "1.0",
"configuration": {
"reader": {
"plugin": "loghub",
"parameter": {
"datasource": "loghub_lzz",//数据源名，需要和您添加的数据源名一致。
"logstore": "logstore-ut2",//目标日志库的名字，LogStore是日志服务中日志数据的采集、存储和查询单元。
"beginDateTime": "${startTime}",//数据消费的开始时间位点，为时间范围（左闭右开）的左边界。
"endDateTime": "${endTime}",//数据消费的结束时间位点，为时间范围（左闭右开）的右边界。
"batchSize": 256,//一次读取的数据条数，默认为256。
"splitPk": "",
"column": [
"key1",
"key2",
"key3"
]
}
},
"writer": {
"plugin": "odps",
"parameter": {
"datasource": "odps_first",//数据源名，需要和您添加的数据源名一致。
"table": "ok",//目标表名。
"truncate": true,
"partition": "",//分区信息。
"column": [//目标列名。
"key1",
"key2",
"key3"
]
}
},
"setting": {
"speed": {
"mbps": 8,//作业速率上限。
"concurrent": 7//并发数。
}
}
}
}