阿里云首页 开放搜索

MaxCompute(原ODPS)数据源配置

开放数据处理服务MaxCompute(原ODPS)是一个开放的计算平台,如果您要导入到OpenSearch的数据是由MaxCompute平台计算而产生的,则可以在应用中配置MaxCompute源信息,在触发应用索引重建任务后,系统会自动去获取 MaxCompute 表中的全量数据,后续的增量需通过调用SDK API推送过来。目前 MaxCompute 数据源只支持全量同步,不支持增量同步

配置MaxCompute 数据源

第一步:配置MaxCompute(原ODPS)信息

OpenSearch支持当前账号下的MaxCompute(原ODPS)的project,或者已经授权给当前账号访问的project中获取数据。选择“ODPS”数据源后,选择“被授权的project”,输入odps中要访问的project信息进行连接校验(已成功连接的project系统会进行缓存,直接点击对应的project名称即可,无需重新连接)。

若报错“没有odps服务权限”,请联系该odps的owner在odps客户端授权project的list权限以及表的all权限,授权账号为使用OpenSearch的阿里云主账号。注意:RAM子账号不支持授权odps服务权限。原因是:当主帐号授权project给子帐号后,子账号因云有云限制无权限列出主账号全部项目,因此无法引用project作为数据源接入开放搜索。建议先使用主账号连MaxCompute(原ODPS),然后再通过子账号操作应用。

如果连接校验失败,则需要检查授权是否存在或授权最近有无变更过。(需注意ODPS表字段若没有权限或权限不对,也会报错。)1配置字段映射关系:OpenSearch为MaxCompute(原ODPS)的数据提供了若干数据源插件说明,如要使用,则在配置字段对应关系的同时,点击“内容转换”列中的“+”符号,则会在源字段被同步到OpenSearch之前,先进行内容转换,再进行同步。如果内容转换插件由于配置错误、无法连接等错误失效,则源字段仍然会被同步到目标字段,只是内容不会被转换。23注意

  • 目前已经支持的MaxCompute(原ODPS)的字段类型有:Bigint、Double、Boolean、Datetime、String、Decimal、Map、Array。

  • 对于ODPS表中的datetime类型系统会自动转化为毫秒数,请将对应OpenSearch字段类型设置为INT。

第二步:选择分区信息

2.1 根据MaxCompute(原ODPS)数据特性,OpenSearch允许用户根据具体需要来指定导入的分区,支持正则表达式,表示导入前一天的数据,结合应用基本信息-索引重建-定时索引重建功能,可以实现每天导入新分区数据的效果。

2.2 正则表达式 (等号/逗号/分号/双竖线为系统保留,每天自动导入前1天分区全量数据条件例子pt=%Y%m%d || -1 days) 【注:pt为分区字段名】

1

不同场景下MaxCompute(原ODPS)分区条件用法,参考如下所示:

  • 1: 支持多个分区过滤规则,不同的分区过滤规则用分号分隔,如pt=1;pt=2将匹配满足分区字段pt=1或者pt=2的所有分区。

  • 2: 分区过滤规则,支持指定多个分区字段的值,不同分区字段用逗号分隔,如:pt1=1,pt2=2,pt3=3 将匹配同时满足pt1=1,pt2=2,pt3=3的所有分区【多分区目前不支持function功能,即不支持 %Y%m%d || -1 days这样的,单分区是可以支持的】。

1

:(如上图所示一张odps表中有pt分区下有ds分)

  • 多个分区:pt=1;pt=2 将同步pt=1 和 pt=2分区下的所有数据

  • 指定多个分区字段的值:pt=1,ds=1 将同步pt=1同时ds=1的分区数据

  • 不支持情况:pt=1,ds=%Y%m%d || -1 days 或者pt=1;pt=%Y%m%d || -1 days 该类情况暂不支持

  • 3: 分区字段的值支持通配符 *,表示该分区字段可以为任意的值,这种情况下,过滤规则中也可不写该字段

  • 4: 分区字段的值支持正则表达式,如pt=[0-9]* 将匹配pt值为数字的所有分区。

  • 5: 分区字段的值支持时间匹配,匹配规则: pt=包含格式化时间的分区列值||时间间隔表达式。如ds=%Y%m%d || -1 days,表示分区字段为ds,格式为20150510,需要访问1天前的数据。

  • 5.1 格式化时间参数支持标准的时间格式参数,如下表

  • 5.2 时间间隔表达式支持 +/- n week|weeks|day|days|hour|hours|minute|minutes|second|seconds|microsecond|microseconds, +号任务创建时间的表示n周/天/小时/分钟/秒/毫秒后,-号表示任务创建时间的表示n周/天/小时/分钟/秒/毫秒前。

  • 5.3 系统默认会对所有过滤规则,按照+0 days进行时间参数替换,因此,需要注意的是,用于过滤的字段值不能包含下面这些字符串作为普通的字符串参数,如星期三创建的任务,pt=%abc 将匹配pt的值为Wedbc的分区,而不是pt=%abc的分区。

正则表达式全部可用参数及含义,参考如下:

%d:  日在这个月中的天数(是这个月的第几天)  
%H:  小时(24小时制,[0, 23])     
%m: 月份([01,12])  
%M:  分钟([00,59])   
%S:  秒(范围为[00,61],为什么不是[00, 59],参考python手册~_~)   
%y:  2个数字表示的年份  
%Y:  4个数字表示的年份

第三步:选择数据同步并发控制机制

当用户勾选【使用done文件】后,OpenSearch支持用户通过上传done文件的方式控制系统拉取全量数据的时机,保证全量数据的完整性。系统在开始从MaxCompute(原ODPS)拉全量数据之前会先判断一下当天的done文件是否存在,如果不存在则等待,默认等待1小时后超时。

  • 用户需从odps官网下载odps clt安装包

  • 用户需要具有所在project空间的CreateResource权限;

  • 安装后在用户程序中运行如下命令:其中done文件的命名规则为$prefix_%Y-%m-%d。$prefix: 文件名前缀,默认为表名,%Y-%m-%d:索引重建任务日期,系统定时任务目前支持的最小粒度为1天。

    odpscmd –u accessid –p accesskey --project=<prj_name>–e "add file <done file>;"
  • MaxCompute客户端odpscmd使用说明,请参考视频文档

  • done文件内容为json格式,目前仅需包含如下内容,用于指定该批全量数据的时间戳(毫秒)【最多只保留3天增量,因此该时间点不可以超过3天】。

  • 该时间戳表示需要回溯的增量数据时间点,如果不配置则默认从索引重建任务开始时间追加数据【最多只保留3天增量,因此该时间点不可以超过3天】。

  • 【例如】全量数据是今天9点的,odps处理完毕后为10点,OpenSearch定时任务为10:30,则done文件需要指定为当天9点的毫秒值,在处理完全量后系统会追加当天9点后的增量,保证数据完整性;否则会从默认任务启动时间10:30开始追加,这样9:00~10:30期间的增量会丢失,该行为非常重要,需要特别注意。(当然,若没有增量,则无需配置该时间戳)

  • 高级版done文件内容如下所示(提示:标准版中需设置的数据时间值也是类似原理,都是用来追期间增量的)

{
"timestamp":"1234567890000"
}

done file与数据时间的优先级:

  1. ODPS数据源的“数据时间”目前是必选的,且优先于donefile;

  2. 用户如果只创建一个版本,就只需要指定“数据时间”,没有办法单独使用donefile;

  3. 用户如果需要使用定时索引重建,就必须“数据时间”和donefile都配置:第一个版本优先使用“数据时间”,之后的每一个版本都优先使用donefile;

首页 开放搜索 实例管理 配置应用 数据源 MaxCompute(原ODPS)数据源配置