本文将为您介绍如何通过数据集成对离线DataHub进行数据的导入操作。

数据集成是阿里巴巴集团提供的数据同步平台。该平台具备可跨异构数据存储系统、可靠、安全、低成本、可弹性扩展等特点,可以为20多种数据源提供不同网络环境下的离线(全量/增量)数据进出通道。数据源类型的详情请参见支持的数据源

准备工作

  1. 准备阿里云账号,并创建账号的访问密钥,即AccessID和AccessKey。详情请参见准备阿里云账号
  2. 开通MaxCompute,自动产生一个默认的MaxCompute数据源,并使用主账号登录DataWorks。
  3. 创建工作空间,您可以在工作空间中协作完成业务流程,共同维护数据和任务等,因此使用DataWorks之前需要先创建一个工作空间。详情请参见创建工作空间
    说明 如果您想通过子账号创建数据集成任务,可以赋予其相应的权限。详情请参见准备RAM用户成员管理

操作步骤

以Stream同步数据至DataHub的脚本模式为例,操作如下。

  1. 以开发者身份登录DataWorks控制台,单击对应工作空间后的进入数据集成
  2. 进入任务列表 > 离线同步任务页面,单击右上角的新建任务
    新建任务
  3. 新建节点对话框中,填写节点名称并选择目标文件夹,单击提交
    新建节点
  4. 成功创建数据同步节点后,单击工具栏中的转换脚本
    转换脚本
  5. 单击提示对话框中的确认,即可进入脚本模式进行开发。
    确认
  6. 单击工具栏中的导入模板
    导入模板
  7. 导入模板对话框中,选择来源类型数据源目标类型数据源
    对话框
    配置 说明
    来源类型 此处选择Stream类型。
    目标类型 此处选择DataHub类型。
    数据源 选择配置好的数据源。
    说明 如果没有提前配置数据源,可以单击新增数据源进行新增操作。
  8. 单击确认生成初始脚本,您可以根据自身需求进行配置。
    {
    "type": "job",
    "version": "1.0",
    "configuration": {
     "setting": {
       "errorLimit": {
         "record": "0"
       },
       "speed": {
         "mbps": "1",
         "concurrent": 1,//作业并发数。
         "throttle": false
       }
     },
     "reader": {
       "plugin": "stream",
       "parameter": {
         "column": [//源端列名。
           {
             "value": "field",//列属性。
             "type": "string"
           },
           {
             "value": true,
             "type": "bool"
           },
           {
             "value": "byte string",
             "type": "bytes"
           }
         ],
         "sliceRecordCount": "100000"
       }
     },
     "writer": {
       "plugin": "datahub",
       "parameter": {
         "datasource": "datahub",//数据源名。
         "topic": "xxxx",//Topic是DataHub订阅和发布的最小单位,您可以用Topic来表示一类或者一种流数据。
         "mode": "random",//随机写入。
         "shardId": "0",//Shard 表示对一个Topic进行数据传输的并发通道,每个Shard会有对应的ID。
         "maxCommitSize": 524288,//为了提高写出效率,待攒数据大小达到maxCommitSize大小(单位MB)时,批量提交到目的端。默认是1,048,576,即1MB数据。
         "maxRetryCount": 500
       }
     }
    }
    }
  9. 单击保存运行
    说明
    • DataHub仅支持以脚本模式导入数据。
    • 如果需要选择新模板,可以单击工具栏中的导入模板,导入新模板后,会覆盖原有模板的所有内容。
    • 保存同步任务后,直接单击运行,任务会立刻运行。

      您也可以单击提交,将同步任务提交到调度系统中。调度系统会按照配置属性,从第2天开始自动定时执行。

参考文档

其它数据源的配置同步任务详情,请参见下述文档: