通过DataWorks将MaxCompute数据同步至Elasticsearch - 阿里云Elasticsearch

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

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。
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。
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。
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）。
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

创建DataWorks工作空间。创建时选择MaxCompute计算引擎服务。
具体操作，请参见创建项目空间。
创建MaxCompute表并导入测试数据。
具体操作，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

图 2. 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。详细信息，请参见Hadoop数据迁移MaxCompute最佳实践。
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实例和配置YML参数。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

登录DataWorks控制台。
选择相应地域后，在左侧导航栏，单击资源组列表。
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。
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。
单击已创建的独享资源组右侧的专有网络绑定，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实例所在专有网络和交换机。
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。

步骤二：添加数据源

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。
在左侧导航栏，单击数据源。
在数据源管理页面，单击新增数据源。

在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。


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

单击完成。

使用同样的方式添加Elasticsearch数据源。


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ES公网或私网访问白名单和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

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。
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。
在新建节点对话框中，输入节点名称，单击提交。
在页面上方工具栏，单击图标。

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。详细信息，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`。

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。
配置执行同步任务所使用的资源组。
1. 在脚本配置页面右侧，单击数据集成资源组配置。
2. 选择方案为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。
提交任务。
1. 保存当前配置，单击图标。
2. 在提交新版本对话框中，填入备注。
3. 单击确认。
单击图标，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。

步骤四：验证数据同步结果

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。
在左侧导航栏，单击Dev Tools（开发工具）。
在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。

执行如下命令，搜索文档中的category和brand字段。

POST /odps_index/_search?pretty
{
"query": { "match_all": {} },
"_source": ["category", "brand"]
}

执行如下命令，搜索category为生鲜的文档。

POST /odps_index/_search?pretty
{
"query": { "match": {"category":"生鲜"} }
}

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。