文档

采集数据

更新时间:

本文为您介绍如何新建HttpFile和MySQL数据源来访问本教程所提供的用户信息与网站日志数据,配置数据同步链路至私有OSS数据源,并通过EMR Hive节点建表去查询同步后的数据,完成数据同步的操作过程。

前提条件

开始本文的操作前,请准备好需要使用的环境。详情请参见准备环境

步骤一:新建数据源

根据本次实验模拟的场景,您需要新建三个数据源,并将其注册到DataWorks工作空间,才能进行后续操作。其中前两者为HttpFile数据源、MySQL数据源,用于访问本教程提供的测试数据(用户访问网站记录数据、用户信息数据);最后一个是私有OSS数据源,用于接收来自前两者访问后所获取的测试数据。

新建HttpFile数据源

  1. 进入数据源页面。

    1. 登录DataWorks控制台,切换至目标地域后,单击左侧导航栏的管理中心,在下拉框中选择对应工作空间后单击进入管理中心

    2. 进入工作空间管理中心页面后,单击左侧导航栏的数据源 > 数据源列表,进入数据源页面。

  2. 单击新增数据源

  3. 新增数据源对话框中,搜索选择数据源类型为HttpFile

  4. 创建HttpFile数据源对话框中,配置各项参数。本教程需按示例值填写。

    参数

    描述

    数据源名称

    输入数据源名称,本教程请填写user_behavior_analysis_httpfile

    数据源描述

    输入DataWorks案例体验专用数据源,在离线同步配置时读取该数据源即可访问平台提供的测试数据,该数据源只支持数据集成场景去读取,其他模块不支持使用。

    适用环境

    勾选开发生产

    说明

    开发环境的数据源创建完成后,需要勾选生产,以同样方式创建生产环境的数据源,否则任务生产执行会报错。

    URL域名

    输入https://dataworks-workshop-2024.oss-cn-shanghai.aliyuncs.com

  5. 单击指定的数据集成资源组连通状态列的测试连通性,等待界面提示测试完成,连通状态为可连通

    重要

    需确保至少一个资源组为可连通状态,否则此数据源无法使用向导模式创建同步任务。

  6. 单击完成创建

新建MySQL数据源

  1. 管理中心页面,单击进入数据源 > 数据源列表页面后单击新增数据源

  2. 新增数据源对话框中,搜索选择数据源类型为MySQL

  3. 创建MySQL数据源对话框,配置各项参数。本教程需按示例值填写。

    参数

    描述

    数据源类型

    选择连接串模式

    数据源名称

    输入数据源名称,本教程请填写user_behavior_analysis_mysql

    数据源描述

    输入DataWorks案例体验专用数据源,在离线同步配置时读取该数据源即可访问平台提供的测试数据,该数据源只支持数据集成场景去读取,其他模块不支持使用。

    JDBC URL

    输入jdbc:mysql://rm-bp1z69dodhh85z9qa.mysql.rds.aliyuncs.com:3306/workshop

    说明

    您可以通过公网连接串的形式添加数据源,即通过公网地址访问平台提供的用于教程测试使用的RDS。

    用户名

    输入用户名,本教程请填写workshop

    密码

    输入密码,本教程请填写workshop#2017

    认证选项

    无认证。

  4. 单击指定的数据集成资源组连通状态列的测试连通性,等待界面提示测试完成,连通状态为可连通

    数据同步时,一个任务只能使用一种资源组。您需要测试每个资源组的连通性,以保证同步任务使用的数据集成资源组能够与数据源连通,否则将无法正常执行数据同步任务。如果您需要同时测试多种资源组,请选中相应资源组后,单击批量测试连通性。详情请参见网络连通方案

  5. 单击完成

新建私有OSS数据源

本次实验将RDS数据源的用户信息和OSS数据源的日志信息同步至私有OSS数据源。

  1. 管理中心页面,单击进入数据源 > 数据源列表页面后单击新增数据源

  2. 新增数据源对话框中,搜索选择数据源类型为OSS

  3. 新增OSS数据源对话框中,配置各项参数。

    参数

    描述

    数据源名称

    输入数据源的名称,本示例为test_g

    数据源描述

    对数据源进行简单描述。

    Endpoint

    输入http://oss-cn-shanghai-internal.aliyuncs.com

    Bucket

    您准备环境时创建的OSS Bucket的名称,示例为dw-emr-demo

    AccessKey ID

    当前登录账号的AccessKey ID,您可以进入安全信息管理页面复制AccessKey ID。

    AccessKey Secret

    输入当前登录账号的AccessKey Secret。

    重要

    AccessKey Secret只在创建时显示,不支持后续再次查看,请妥善保管。如果AccessKey泄露或丢失,请删除并创建新的AccessKey

  4. 单击指定资源组连通状态列的测试连通性,等待界面提示测试完成,连通状态为可连通

    重要

    需确保至少一个资源组为可连通状态,否则此数据源无法使用向导模式创建同步任务。

  5. 单击完成

步骤二:搭建同步链路

新建业务流程

  1. 单击左上方的图标图标,选择全部产品 > 数据开发与运维 > DataStudio(数据开发)

  2. 数据开发面板,右键单击业务流程,选择新建业务流程

  3. 新建业务流程对话框中,输入业务名称描述

    重要

    业务名称不能超过128个字符,且必须是大小写字母、中文、数字、下划线(_)以及英文句号(.)。

  4. 单击新建

  5. 进入业务流程开发面板,鼠标单击虚拟节点并拖拽至右侧的编辑页面。在新建节点对话框中,输入节点名称workshop_start_emr,单击确认

    以同样的方式新建两个离线同步节点,节点名称分别为di_ods_raw_log_d_emrdi_ods_user_info_d_emr,用于后续同步RDS用户信息与OSS日志信息。

  6. 通过拖拽连线,将workshop_start_emr节点设置为两个离线同步节点的上游节点。

    image

配置workstart节点

  1. 数据开发页面,双击相应业务流程下的虚拟节点。打开该节点的编辑页面,单击右侧的调度配置

  2. 时间属性区域,设置重跑属性运行成功或失败皆可重跑

  3. 调度依赖区域,单击使用工作空间根节点,表示设置workshop_start_emr节点的上游节点为工作空间根节点。

    通常命名为工作空间名_root

    image

  4. 配置完成后,单击左上方的保存图标。

步骤三:同步数据

配置离线同步节点

  1. 同步MySQL数据源的用户信息至自建的OSS。

    1. 数据开发页面,双击di_ods_user_info_d_emr节点,进入节点配置页面。

    2. 配置同步网络链接。

      完成以下网络与资源配置后,单击下一步,并根据界面提示完成连通性测试。

      参数

      描述

      数据来源

      • 数据来源:MySQL

      • 数据源名称:user_behavior_analysis_mysql

      我的资源组

      选择已购买的独享集成数据资源组

      数据去向

      • 数据去向:OSS

      • 数据源名称:选择前文创建的私有OSS数据源,此处示例为test_g。

    3. 配置同步任务。

      参数

      描述

      数据来源

      • :选择数据源中的ods_user_info_d

      • 切分键:建议使用主键或有索引的列作为切分键,仅支持类型为整型的字段。此处设置切分键为uid

      数据去向

      • 文本类型:选择text类型。

      • 文件名(含路径):根据您自建OSS的目录进行输入,示例为ods_user_info_d/user_${bizdate}/user_${bizdate}.txt。其中ods_user_info_d为您自建的目录名,$bizdate表示获取前一天的日期。

      • 列分隔符:输入列分隔符为|

    4. 切换脚本模式,补充配置参数。

      单击工具栏中的转换脚本图标,在已有的脚本中:

      • 手动修改writeSingleObject参数取值:"writeSingleObject": true

      • 手动添加参数"suffix": ".txt"

        image

        说明

        writeSingleObjectsuffix参数仅支持脚本模式进行添加。

    5. 配置完成后,单击工具栏中的保存图标。

  2. 同步HttpFile数据源的日志信息至自建的OSS。

    1. 数据开发页面,双击di_ods_raw_log_d_emr节点,进入节点配置页面。

    2. 配置同步网络链接。

      完成以下网络与资源配置后,单击下一步,并根据界面提示完成连通性测试。

      参数

      描述

      数据来源

      • 数据来源:HttpFile

      • 数据源名称:user_behavior_analysis_httpfile

      我的资源组

      选择已购买的独享集成数据资源组

      数据去向

      • 数据去向:OSS

      • 数据源名称:选择前文创建的私有OSS数据源,此处示例为test_g。

    3. 配置同步任务。

      参数

      描述

      数据来源

      • 文本类型:选择text类型。

      • 文件路径/user_log.txt

      • 列分隔符:输入列分隔符为|

      • 压缩格式:包括None、Gzip、Bzip2和Zip四种类型,此处选择None

      • 是否跳过表头:选择No。

      数据去向

      • 文本类型:选择text类型。

      • 文件名(含路径):根据您自建OSS的目录进行输入,示例为ods_raw_log_d/log_${bizdate}/log_${bizdate}.txt,其中ods_raw_log_d为您自建的目录名,$bizdate表示获取前一天的日期。

      • 列分隔符:输入列分隔符为|

    4. 配置字段映射。

      重要

      源数据表中只有一列数据,如果有其他映射过来的空列,您需要手动删除。

    5. 单击工具栏中的p99205.png图标,在已有的脚本中手动修改"writeSingleObject": true,并添加"suffix": ".txt"

      说明

      writeSingleObjectsuffix参数仅支持脚本模式进行添加。

    6. 配置完成后,单击工具栏中的保存图标。

新建EMR表

新建两张表ods_user_info_d_emr表、ods_raw_log_d_emr表,分别用于查询同步后的原始的MySQL用户数据和OSS日志数据。

  1. 数据开发页面打开新建的业务流程,右键单击EMR,选择新建节点 > EMR Hive

  2. 新建节点对话框中,输入节点名称,单击确认

    此处需要新建两个EMR Hive节点(insert_ods_user_info_d_emrinsert_ods_raw_log_d_emr),用于创建对应的两张表,并根据下图,通过拉线配置节点的上下游依赖关系。

    image

  3. 分别在EMR Hive节点中输入建表语句,并在调度配置调度资源组选择为独享调度资源组,然后单击保存运行各建表语句。

    • 新建ods_user_info_d_emr表。

      双击insert_ods_user_info_d_emr节点,在右侧的编辑页面输入下述建表语句。

      image

      CREATE EXTERNAL TABLE IF NOT EXISTS ods_user_info_d_emr
      (
          `uid` STRING COMMENT '用户ID',
          `gender` STRING COMMENT '性别',
          `age_range` STRING COMMENT '年龄段',
          `zodiac` STRING COMMENT '星座'
      ) PARTITIONED BY (
        dt STRING
      )
      ROW FORMAT  delimited fields terminated by '|'
      LOCATION 'oss://dw-emr-demo/ods_user_info_d/';
      
      ALTER TABLE ods_user_info_d_emr ADD IF NOT EXISTS PARTITION (dt='${bizdate}')
      LOCATION 'oss://dw-emr-demo/ods_user_info_d/user_${bizdate}/';
      说明

      上述代码中的location为示例路径,与之前配置离线同步任务时的数据去向相同,需要输入您建立的文件路径名称,其中dw-emr-demo是您准备环境时创建的OSS Bucket的名称。

    • 新建ods_raw_log_d_emr表。

      双击insert_ods_raw_log_d_emr节点,在右侧的编辑页面输入下述建表语句。

      --创建OSS日志对应目标表
      CREATE EXTERNAL TABLE IF NOT EXISTS ods_raw_log_d_emr
      (
        `col` STRING
      ) PARTITIONED BY (
        dt STRING
      );
      ALTER TABLE ods_raw_log_d_emr ADD IF NOT EXISTS PARTITION (dt='${bizdate}')
      LOCATION 'oss://dw-emr-demo/ods_raw_log_d/log_${bizdate}/';
      说明

      上述代码中的location为示例路径,与之前配置离线同步任务时的数据去向相同,需要输入您建立的文件路径名称,其中dw-emr-demo是您准备环境时创建的OSS Bucket的名称。

运行并查看结果

运行业务流程

  1. 在数据开发页面,双击业务流程下的WorkShop,打开Workflow业务流程面板后,单击工具栏中的image.png图标,按照上下游依赖关系运行业务流程。

  2. 确认执行情况。

    • 查看任务运行状态:节点处于image.png状态,即代表同步执行过程无问题。

    • 查看任务执行日志:右键单击insert_ods_user_info_d_emr、insert_ods_raw_log_d_emr节点,选择查看日志。当日志中出现如下字样,表示同步节点运行成功,并成功同步数据。

      image.png

查询同步结果

  1. 新建临时查询文件

    数据开发页面的左侧导航栏,单击image.png,进入临时查询面板。右键单击临时查询,选择新建节点>EMR Hive

  2. 查询同步结果表。

    执行如下SQL语句,确认同步数据写入结果。查看导入ods_raw_log_d_emr和ods_user_info_d_emr的记录数。

    --查询语句中的分区列需要更新为业务日期。例如,任务运行的日期为20191107,则业务日期为20191106,即任务运行日期的前一天。
    SELECT * from ods_user_info_d_emr where dt=业务日期; 
    SELECT * from ods_raw_log_d_emr where dt=业务日期; 

后续步骤

现在,您已经学习了如何进行日志数据同步,完成数据的采集,您可以继续下一个教程。在该教程中,您将学习如何对采集的数据进行计算与分析。详情请参见加工数据

  • 本页导读 (1)