阿里云上拥有丰富的云存储、云数据库产品。当您需要对这些产品中的数据进行分析和搜索时,可以通过DataWorks的数据集成服务实现最快5分钟一次的离线数据采集,并同步到阿里云Elasticsearch中。本文以阿里云大数据计算服务MaxCompute(原名ODPS)为例。

背景信息

阿里云Elasticsearch支持同步的离线数据源包括:
  • 阿里云云数据库(MySQL、PostgreSQL、SQL Server、PPAS、MongoDB、HBase)
  • 阿里云PolarDB-X(原DRDS升级版)
  • 阿里云MaxCompute
  • 阿里云OSS
  • 阿里云Tablestore
  • 自建HDFS、Oracle、FTP、DB2,及以上数据库的自建版本

操作流程

  1. 准备工作
    创建DataWorks工作空间并开通MaxCompute服务、准备MaxCompute数据源、创建阿里云Elasticsearch实例。
  2. 步骤一: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。
  3. 步骤二:添加数据源
    将MaxCompute和Elasticsearch数据源接入DataWorks的数据集成服务中。
  4. 步骤三:配置并运行数据同步任务
    配置一个数据同步的脚本,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)。
  5. 步骤四: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. 创建DataWorks工作空间。创建时选择MaxCompute计算引擎服务。
    具体操作步骤请参见创建项目空间
  2. 创建MaxCompute表并导入测试数据。
    具体操作步骤请参见创建和查看表导入数据
    本文使用的表结构和部分数据如下。
    图 1. 表结构
    表结构
    图 2. 表数据
    表数据
    说明 本文提供的数据仅供测试。实际情况中,您可以将Hadoop数据迁移到MaxCompute后再进行同步,详情请参见Hadoop数据迁移MaxCompute最佳实践
  3. 创建阿里云Elasticsearch实例,并开启实例的自动创建索引功能。
    具体操作步骤请参见创建阿里云Elasticsearch实例开启自动创建索引。创建实例时,所选地域与DataWorks工作空间所在地域保持一致。

步骤一: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专有网络绑定,参见绑定专有网络,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Elasticsearch实例的专有网络连通才能同步数据,因此在绑定专有网络时,需要选择Elasticsearch实例所在专有网络交换机绑定专有网络
  6. 单击已创建的独享资源组右侧的修改归属工作空间,参见修改归属工作空间,为该独享资源组绑定目标工作空间。
    绑定工作空间

步骤二: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,单击数据源
  3. 数据源管理页面,单击新增数据源
  4. 新增数据源对话框中,单击MaxCompute(ODPS),进入新增MaxCompute(ODPS)数据源页面,填写数据源信息。
    新增MaxCompute (ODPS)数据源
    参数 说明
    ODPS Endpoint MaxCompute服务的访问地址,不同区域的访问地址不同,详情请参见配置Endpoint
    ODPS项目名称 进入DataWorks控制台,在左侧导航栏,单击计算引擎列表下的MaxCompute获取。
    AccessKey ID 鼠标移至您的用户头像上,单击AccessKey 管理获取。
    AccessKey Secret 鼠标移至您的用户头像上,单击AccessKey 管理获取。
    说明 以上未提及的配置请自定义输入或保持默认。
    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
  5. 单击完成
  6. 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,详情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ES公网或私网访问白名单添加独享数据集成资源组的白名单
    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。

步骤三: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. 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
  3. 新建节点对话框中,输入节点名称,单击提交
  4. 在页面上方工具栏,单击转换脚本图标图标。
  5. 确认后,配置数据同步脚本。
    详细配置说明请参见通过脚本模式配置任务
    说明 您可以单击页面上方工具栏中的导入模板图标,导入对应的脚本配置模板,并在模板的基础上进行修改,完成数据同步脚本配置。
    示例脚本如下。
    {
        "order": {
            "hops": [
                {
                    "from": "Reader",
                    "to": "Writer"
                }
            ]
        },
        "setting": {
            "errorLimit": {
                "record": "0"
            },
            "speed": {
                "concurrent": 1,
                "throttle": false
            }
        },
        "steps": [
            {
                "category": "reader",
                "name": "Reader",
                "parameter": {
                    "column": [
                        "create_time",
                        "category",
                        "brand",
                        "buyer_id",
                        "trans_num",
                        "trans_amount",
                        "click_cnt"
                    ],
                    "datasource": "odps_es",
                    "partition": "pt=1",
                    "table": "hive_doc_good_sale"
                },
                "stepType": "odps"
            },
            {
                "category": "writer",
                "name": "Writer",
                "parameter": {
                    "batchSize": 1000,
                    "cleanup": true,
                    "column": [
                        {
                            "name": "create_time",
                            "type": "id"
                        },
                        {
                            "name": "category",
                            "type": "text"
                        },
                        {
                            "name": "brand",
                            "type": "text"
                        },
                        {
                            "name": "buyer_id",
                            "type": "text"
                        },
                        {
                            "name": "trans_num",
                            "type": "integer"
                        },
                        {
                            "name": "trans_amount",
                            "type": "double"
                        },
                        {
                            "name": "click_cnt",
                            "type": "integer"
                        }
                    ],
                    "datasource": "ES_data_source",
                    "discovery": false,
                    "index": "odps_index",
                    "indexType": "_doc",
                    "splitter": ","
                },
                "stepType": "elasticsearch"
            }
        ],
        "type": "job",
        "version": "2.0"
    }
    同步脚本的配置分为三个部分。
    配置 说明
    setting 用来配置同步中的一些丢包和最大并发等参数。
    说明 如果待同步的数据量较大,可适当增大最大并发数。
    Reader 用来配置Maxcompute Reader。如果您的MaxCompute表是一个分区表,需要在partition字段中设置分区信息,详情请参见MaxCompute Reader。本案例中的分区信息为pt=1
    说明 如果待同步的数据量较大,可使用分区拆分数据进行同步。
    Writer 用来配置Elasticsearch Writer,详情请参见Elasticsearch Writer
    • index:索引名称。
    • indexType:索引类型,7.0及以上版本的Elasticsearch必须使用_doc
  6. 保存配置脚本,单击右侧的调度配置,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,详情请参见依赖关系
    • 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. 在脚本配置页面右侧,单击数据集成资源组配置
    2. 选择方案独享数据集成资源组
    3. 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. 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

步骤四:验证数据同步结果

  1. 登录目标阿里云Elasticsearch实例的Kibana控制台。
    具体操作步骤请参见登录Kibana控制台
  2. 在左侧导航栏,单击Dev Tools(开发工具)。
  3. Console中,执行如下命令查看同步的数据。
    POST /odps_index/_search?pretty
    {
    "query": { "match_all": {}}
    }
    说明 odps_index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。查看同步的数据
  4. 执行如下命令,搜索文档中的categorybrand字段。
    POST /odps_index/_search?pretty
    {
    "query": { "match_all": {} },
    "_source": ["category", "brand"]
    }
  5. 执行如下命令,搜索category生鲜的文档。
    POST /odps_index/_search?pretty
    {
    "query": { "match": {"category":"生鲜"} }
    }
  6. 执行如下命令,按照trans_num字段对文档进行排序。
    POST /odps_index/_search?pretty
    {
    "query": { "match_all": {} },
    "sort": { "trans_num": { "order": "desc" } }
    }

    更多命令和访问方式,请参见Elastic.co官方帮助中心