当您基于Hadoop进行交互式大数据分析查询，遇到查询延迟的问题时，可以将数据同步至阿里云Elasticsearch中再进行查询分析。Elasticsearch对于多种查询类型，特别是即席查询（Ad Hoc），基本可以达到秒级响应。本文介绍如何通过DataWorks的数据同步功能，将Hadoop数据同步到阿里云Elasticsearch中，并进行搜索分析。

操作流程

  1. 准备工作
    搭建Hadoop集群、创建DataWorks工作空间、创建与配置阿里云Elasticsearch实例。
  2. 步骤一：准备数据
    在Hadoop集群中创建测试数据。
  3. 步骤二：购买并创建独享资源组
    购买并创建一个数据集成独享资源组，并为该资源组绑定专有网络和工作空间。独享资源组可以保障数据快速、稳定地传输。
  4. 步骤三：添加数据源
    将Elasticsearch和Hadoop的HDFS数据源接入DataWorks的数据集成服务中。
  5. 步骤四：配置并运行数据同步任务
    通过向导模式配置数据同步任务，将数据集成系统同步成功的数据存储到Elasticsearch中。将独享资源组作为一个可以执行任务的资源，注册到DataWorks的数据集成服务中。这个资源组将获取数据源的数据，并执行将数据写入Elasticsearch中的任务（该任务将由数据集成系统统一下发）。
  6. 步骤五：验证数据同步结果
    在Kibana控制台中，查看同步成功的数据，并按条件查询数据。

准备工作

  1. 搭建Hadoop集群。
    进行数据同步前，请确保您的Hadoop集群环境正常。本文使用阿里云E-MapReduce服务自动化搭建Hadoop集群。详细信息，请参见创建集群。
    E-MapReduce Hadoop集群配置信息如下（未提到的信息，本文均保持默认，您也可以根据自身需求修改配置）：
    • 集群类型：Hadoop
    • 产品版本：EMR-3.26.3
    • 挂载公网：开启
  2. 创建阿里云Elasticsearch实例，并开启实例的自动创建索引功能。
    具体操作，请参见创建阿里云Elasticsearch实例和快速访问与配置。创建实例时，请选择与E-MapReduce集群相同的区域、可用区以及专有网络。本文使用的阿里云Elasticsearch版本为通用商业版6.7.0。
  3. 创建DataWorks工作空间。
    创建工作区间时，所选区域需要与阿里云Elasticsearch一致，具体操作，请参见创建工作空间。

步骤一：准备数据

  1. 进入E-MapReduce控制台。
  2. 在顶部菜单栏，选择地域。
  3. 在上方菜单栏，单击数据开发。
  4. 在数据开发页面，新建一个数据开发项目，其中资源组选择默认资源组。
    具体操作，请参见项目管理。
  5. 在项目列表中，单击目标项目右侧操作列下的作业编辑，新建一个作业。
    具体操作，请参见作业编辑。其中作业类型选择Hive。
  6. 创建数据表并插入数据。
    1. 在代码编辑区域中，输入Hive建表语句，单击运行。
      本文档使用的建表语句如下。 
      CREATE TABLE IF NOT
EXISTS hive_esdoc_good_sale(
 create_time timestamp,
 category STRING,
 brand STRING,
 buyer_id STRING,
 trans_num BIGINT,
 trans_amount DOUBLE,
 click_cnt BIGINT
 )
 PARTITIONED BY (pt string) ROW FORMAT
 DELIMITED FIELDS TERMINATED BY ',' lines terminated by '\n'
    2. 在运行作业对话框中配置运行参数，单击确定。
      • 资源组：选择默认资源组。
      • 执行集群：选择您已创建的集群。
    3. 重新新建一个作业，输入如下SQL语句，插入测试数据。
      您可以选择从OSS或其他数据源导入测试数据，也可以手动插入少量的测试数据。本文使用手动插入数据的方法，脚本如下。 
      insert into
hive_esdoc_good_sale PARTITION(pt =1 ) values('2018-08-21','外套','品牌A','lilei',3,500.6,7),('2018-08-22','生鲜','品牌B','lilei',1,303,8),('2018-08-22','外套','品牌C','hanmeimei',2,510,2),(2018-08-22,'卫浴','品牌A','hanmeimei',1,442.5,1),('2018-08-22','生鲜','品牌D','hanmeimei',2,234,3),('2018-08-23','外套','品牌B','jimmy',9,2000,7),('2018-08-23','生鲜','品牌A','jimmy',5,45.1,5),('2018-08-23','外套','品牌E','jimmy',5,100.2,4),('2018-08-24','生鲜','品牌G','peiqi',10,5560,7),('2018-08-24','卫浴','品牌F','peiqi',1,445.6,2),('2018-08-24','外套','品牌A','ray',3,777,3),('2018-08-24','卫浴','品牌G','ray',3,122,3),('2018-08-24','外套','品牌C','ray',1,62,7) ;
  7. 查看数据是否插入成功。
    1. 新建一个临时查询作业。
      具体操作，请参见临时查询。
    2. 输入如下SQL语句，单击运行。
      select * from hive_esdoc_good_sale where pt =1;
    3. 在页面下方，单击运行记录，再单击操作列下的详情。
    4. 在运维中心，单击作业运行结果。
      此操作可以检查Hadoop集群表中是否已存在数据可用于同步，运行成功后的结果如下。查看测试数据

步骤二：购买并创建独享资源组

  1. 登录DataWorks控制台。
  2. 选择相应地域后，在左侧导航栏，单击资源组列表。
  3. 参见购买独享数据集成资源组，购买独享数据集成资源。
    注意 购买时，所选地域需要与目标工作空间保持一致。
  4. 参见新增独享数据集成资源组，创建一个独享数据集成资源。
    本文使用的配置如下，其中资源组类型选择独享数据集成资源组。创建独享资源组
  5. 单击已创建的独享资源组右侧的网络设置，参见网络配置，为该独享资源组绑定专有网络。
    独享资源部署在DataWorks托管的专有网络中。DataWorks需要与Hadoop集群和Elasticsearch实例的专有网络连通才能同步数据。而Hadoop集群和Elasticsearch实例在同一专有网络下，因此在绑定专有网络时，选择Elasticsearch实例所在专有网络和交换机即可。绑定专有网络
  6. 单击已创建的独享资源组右侧的修改归属工作空间，参见绑定归属工作空间，为该独享资源组绑定目标工作空间。

步骤三：添加数据源

  1. 进入DataWorks的数据集成页面。
    1. 在DataWorks控制台的左侧导航栏，单击工作空间列表。
    2. 找到目标工作空间，单击其右侧操作列下的进入数据集成。
  2. 在左侧导航栏，选择数据源 > 数据源列表。
  3. 在数据源管理页面，单击新增数据源。
  4. 在新增数据源对话框的半结构化存储区域中，单击HDFS。
  5. 在新增HDFS数据源对话框中，填写数据源名称和DefaultFS。
    添加HDFS数据源

    DefaultFS：对于E-MapReduce Hadoop集群而言，如果Hadoop集群为非HA集群，则此处地址为hdfs://emr-header-1的IP:9000。如果Hadoop集群为HA集群，则此处地址为hdfs://emr-header-1的IP:8020。在本文中，emr-header-1与DataWorks通过专有网络连接，因此此处填写内网IP。

    配置完成后，可与独享资源组进行连通性测试。连通状态显示为可连通时，表示连通成功。测试连通成功
  6. 单击完成。
  7. 使用同样的方式添加Elasticsearch数据源。
    ES数据源配置
    参数 说明
    Endpoint 阿里云Elasticsearch的访问地址，格式为：http://<实例的内网或公网地址>:9200。实例的内网或公网地址可在基本信息页面获取，详细信息，请参见查看实例的基本信息。
    注意 如果您使用的是公网地址，需要将独享资源组的EIP地址添加到阿里云Elasticsearch的公网地址访问白名单中，详情请参见配置实例公网或私网访问白名单和使用独享数据集成资源组执行任务需要在数据库添加的IP白名单。
    用户名 访问阿里云Elasticsearch实例的用户名，默认为elastic。
    密码 对应用户的密码。elastic用户的密码在创建实例时设定，如果忘记可重置，重置密码的注意事项和操作步骤，请参见重置实例访问密码。
    说明 其他未提及的参数请自定义输入。

步骤四：配置并运行数据同步任务

  1. 在DataWorks的数据开发页面，新建一个业务流程。
    具体操作步骤请参见管理业务流程。
  2. 新建一个离线同步任务。
    1. 展开新建的业务流程，右键单击数据集成，选择新建 > 离线同步。
    2. 在新建节点对话框中，输入节点名称，单击提交。
  3. 在选择数据源区域中，将数据来源指定为HDFS数据源，并选择待同步的文件；将数据去向指定为Elasticsearch数据源，并填入索引名和索引类型。
    选择HDFS数据源
    说明
  4. 在字段映射区域中，设置来源字段与目标字段的映射关系。
  5. 在通道控制区域中，配置执行任务的相关参数。
  6. 配置任务调度属性。
    在页面右侧，单击调度配置，按照需求配置相应的调度参数。各配置的详细说明请参见调度配置章节。
    注意
    • 在提交任务前，必须配置任务调度依赖的上游节点，详情请参见配置同周期调度依赖。
    • 如果您希望对任务进行周期性调度，需要配置任务的时间属性，包括任务的具体执行时间、调度周期、生效周期、重跑属性等。
    • 周期任务将于配置任务开始的第二天00:00，按照您的配置规则生效执行。
  7. 配置执行同步任务所使用的资源组。
    选择资源组
    1. 在页面右侧，单击数据集成资源组配置。
    2. 选择独享数据集成资源组为您创建的独享资源组。
  8. 提交任务。
    1. 保存当前配置，单击提交图标图标。
    2. 在提交新版本对话框中，填入备注。
    3. 单击确认。
  9. 单击运行图标图标，运行任务。
    任务运行过程中，可查看运行日志。运行成功后，显示如下结果。任务运行成功

步骤五：验证数据同步结果

  1. 登录目标阿里云Elasticsearch实例的Kibana控制台。
    具体操作，请参见登录Kibana控制台。
  2. 在左侧导航栏，单击Dev Tools（开发工具）。
  3. 在Console中，执行如下命令查看同步的数据。
    POST /hive_esdoc_good_sale/_search?pretty
{
"query": { "match_all": {}}
}
    说明 hive_esdoc_good_sale为您在数据同步脚本中设置的index字段的值。
    数据同步成功后，返回如下结果。查看已经同步的数据
  4. 执行如下命令，搜索品牌为A的所有文档。 
    POST /hive_esdoc_good_sale/_search?pretty
{
  "query": { "match_phrase": { "brand":"品牌A" } }
}
    返回品牌为A的所有文档
  5. 执行如下命令，按照点击次数排序，判断各品牌产品的热度。
    POST /hive_esdoc_good_sale/_search?pretty
{
"query": { "match_all": {} },
"sort": { "click_cnt": { "order": "desc" } },
"_source": ["category", "brand","click_cnt"]
}
    按照点击次数进行排序

    更多命令和访问方式，请参见阿里云Elasticsearch官方文档和Elasticsearch官方文档。