同步数据到MaxCompute

准备工作

1.创建MaxCompute表

DataHub支持将数据同步到MaxCompute对应的数据表中，同时支持分区表和非分区表，一般情况下推荐用户使用分区表进行数据同步以方便MaxCompute数据处理

目前DataHub支持将TUPLE和BLOB的数据同步到MaxCompute数据表中

1）针对TUPLE类型topic，MaxCompute目标表数据类型需要和DataHub数据类型相匹配，具体的数据类型映射关系如下:

由于目前DataHub并不能完全支持MaxCompute所有的数据类型，请用户尽量根据DataHub数据类型创建MaxCompute表结构。

2）针对BLOB数据类型，需要要求MaxCompute表结构仅需要包含一列STRING类型的column即可，DataHub默认会将数据同步到该column中

DataHub	MaxCompute
BLOB	STRING

3）同时为了方便数据追踪和问题排查，建议用户在创建MaxCompute表结构时，增加一列__rowkey__ STRING字段，DataHub会自动将DataHub对应数据的trace信息同步到该列中，以方便后续数据排查。

2.准备同步任务账号并授权

1）新建同步MaxCompute任务时，需要用户手动填写访问MaxCompute表的账号信息，请用户确保填入有效的账号信息（一般情况下采用MaxCompute子账号即可）。

2）需要给该账号授予访问MaxCompute表的响应权限，具体权限包括CreateInstance、Describe、Alter以及Update权限。

用户可以使用DataWorks管控台进行MaxCompute对应表的权限管理，参考MaxCompute高级配置，也可以选择使用MaxCompute的命令行工具进行授权，参考MaxCompute用户及授权管理。

3.确认TimestampUnit单位

1） Connector中TimestampUnit的作用，就是将数据中TIMESTAMP类型的数据(如果有)，以TimestampUnit为单位进行转换后写入到下游系统的日期类型(如datatime类型）

2）如果TIMESTAMP列写入的是以秒为单位的值，那新建Connector的时候TimestampUnit就选择“SECOND”；如果写入的是以毫秒为单位的值，那就选择“MILLISECOND”；如果写入的是以微妙为单位的值，那就选择“MICROSECOND”

注意事项

由于MaxCompute目前的写入标准原因，分区数越多就会导致DataHub同步数据越慢。因此，在创建MaxCompute同步任务时，请尽可能的控制分区数，尤其是USER_DEFINE同步模式。
- 同一分区的数据越连续越好，不要频繁的分区跳变
- 同步模式控制创建分区时，请不要创建过多的分区数

5-3 部分配置说明:

下面罗列了部分管控台创建同步任务的配置说明，更多更灵活的操作请参考SDK使用。

分区模式	分区依据	支持Topic类型	说明
USER_DEFINE	Record中的分区列（和MaxCompute的分区字段同名）的value值	TUPLE	(1). DataHub schema中必须包含MaxCompute分区字段 (2). 该列值必须为`UTF8字符串` 字段值可以为空，表示不分区
SYSTEM_TIME	Record写入DataHub的时间	TUPLE / BLOB	(1). 分区配置中设置MaxCompute分区的时间转换Format格式 (2). 设置时区信息
EVENT_TIME	Record中的`event_time(TIMESTAMP)`列的value值	TUPLE	(1). 分区配置中设置MaxCompute分区的时间转换Format格式 (2). 设置时区信息
META_TIME	Record的属性字段`__dh_meta_time__`的value值	TUPLE / BLOB	(1). 分区配置中设置MaxCompute分区的时间转换Format格式 (2). 设置时区信息 (3).单位是ms，不存在以systemtime填充

其中SYSTEM_TIME、EVENT_TIME和META_TIME均是根据时间Timestamp和时区配置来进行MaxCompute分区的转换过程，单位默认为微秒。

分区间隔分区间隔决定了根据时间戳转换MaxCompute分区时所采用的时间间隔。时间范围是15分钟 ~ 1440分钟(1天），跳变间隔15分钟。
时区信息(TimeZone)时区信息决定了根据时间戳转换MaxCompute分区时所采用的转换时区。
分隔符BLOB数据同步时，可以指定16进制分隔符来决定是否对BLOB数据分割后再同步MaxCompute，比如 0A表示\n(换行符)
Base64编码DataHub BLOB默认存储二进制数据，而MaxCompute对应的同步列为STRING类型，因此管控台创建同步任务时，默认采用base64编码后进行同步，更多定制化需求请参考SDK实现。

可以点击对应connector的详情页面查看同步任务的运行状态和点位等信息，包含同步点位、同步状态以及重启和停止等操作，如下图所示: 5-4

建立DataHub Topic

备注: topic schema中必须需要包含MaxCompute分区字段，类型为STRING，如下图所示:
向DataHub Topic写入数据，可以使用datahub-sdk进行数据写入

测试过程中使用SDK写入几条条数据，其中[ds,hh,mm]分别为: [20210304,01,15]和[20210304,02,15]，数据内容如下所示:

5-6

3 建立同步任务

USER_DEFINE分区模式可以通过在同步中设置分区配置字段，如果MaxCompute没有对应的表，可自动创建。这里导入字段中设置导入f1、f2字段，不同步f3字段。

4 确认同步数据

可以从DataHub管控台查看对应同步任务的同步信息 5-8 查询MaxCompute数据结果，结果如下: 5-9 可以看到在USER_DEFINE模式下，DataHub会根据MaxCompute分组字段所对应的value将DataHub中的数据同步到对应的分区中。

建立DataHub Topic

备注: 由于分区是根据写入DataHub时间来计算的，因此topic schema只需包含数据字段，不需要包含分区字段，如下图所示:
向DataHub Topic写入数据，可以使用datahub-sdk进行数据写入

测试过程中使用SDK写入几条数据，DataHub目前对应的写入时间为2021-03-04 14:02:45，数据内容如下所示:
建立同步任务
- 请注意分区配置需要和MaxCompute表分区一致