Github实时数据同步与分析

教程简介

准备环境和资源

创建Hologres表

1. 初始化Hologres环境。

   1. 进入Hologres控制台-实例列表页面，单击目标实例名称，进入实例详情页面。

   2. 在实例详情页面单击登录实例，进入HoloWeb。

   3. 在元数据管理页面中单击数据库。

   4. 在新建数据库对话框中配置如下参数，并单击确认。

      参数	说明
      实例名	选择在哪个Hologres实例上创建数据库。默认展示当前已登录实例的名称，您也可以在下拉框中选择其他Hologres实例。
      数据库名称	本示例数据库名称设置为holo_tutorial。
      简单权限策略	选择默认的SPM。更多关于权限策略的说明，请参见： SPM：简单权限模型，该权限模型授权是以DB为粒度，划分admin（管理员）、developer（开发者）、writer（读写者）以及viewer（分析师）四种角色，您可以通过少量的权限管理函数，即可对DB中的对象进行方便且安全的权限管理。 SLPM：基于Schema级别的简单权限模型，该权限模型以Schema为粒度，划分 <db>.admin（DB管理员）、<db>.<schema>.developer（开发者）、<db>.<schema>.writer（读写者）以及 <db>.<schema>.viewer（分析师），相比于简单权限模型更为细粒度。 专家：Hologres兼容PostgreSQL，使用与Postgres完全一致的权限系统。
      立即登录	选择是。

   5. 进入顶部菜单栏的SQL编辑器页面，单击左上角的图标，打开临时Query查询页面。

2. 新建Hologres内部表。

   在临时Query查询页面执行如下示例命令，创建Hologres内部表hologres_dataset_github_event.hologres_github_event，后续会将数据实时写入至该表中。

   -- 新建schema用于创建内表并导入数据
   CREATE SCHEMA IF NOT EXISTS hologres_dataset_github_event;
   
   DROP TABLE IF EXISTS hologres_dataset_github_event.hologres_github_event;
   
   BEGIN;
   CREATE TABLE hologres_dataset_github_event.hologres_github_event (
     id bigint PRIMARY KEY,
     actor_id bigint,
     actor_login text,
     repo_id bigint,
     repo_name text,
     org_id bigint,
     org_login text,
     type text,
     created_at timestamp with time zone NOT NULL,
     action text,    
     commit_id text,
     member_id bigint,
     language text
   );
   CALL set_table_property ('hologres_dataset_github_event.hologres_github_event', 'distribution_key', 'id');
   CALL set_table_property ('hologres_dataset_github_event.hologres_github_event', 'event_time_column', 'created_at');
   CALL set_table_property ('hologres_dataset_github_event.hologres_github_event', 'clustering_key', 'created_at');
   
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.id IS '事件ID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.actor_id IS '事件发起人ID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.actor_login IS '事件发起人登录名';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.repo_id IS 'repoID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.repo_name IS 'repo名称';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.org_id IS 'repo所属组织ID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.org_login IS 'repo所属组织名称';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.type IS '事件类型';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.created_at IS '事件发生时间';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.action IS '事件行为';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.commit_id IS '提交记录ID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.member_id IS '成员ID';
   COMMENT ON COLUMN hologres_dataset_github_event.hologres_github_event.language IS '编程语言';
   
   COMMIT;

实时同步数据至Hologres

1. 网络打通。

   需要将DataWorks独享数据集成资源组与创建的VPC进行绑定，保障网络连通性，才可进行数据同步。

   1. 前往授权页面，授予DataWorks进行云资源访问权限。

   2. 进入DataWorks资源组列表页面，单击目标独享数据集成资源组操作列的网络设置。

   3. 在专有网络绑定页签下，单击新增绑定，在弹出的新增专有网络绑定面板中，填写专有网络信息。并单击确定。

      参数	说明
      资源组名称	默认为目标独享数据集成资源组的名称。
      专有网络	选择上述已创建的VPC专有网络。
      可用区	选择VPC专有网络所在的可用区。
      交换机	选择上述已创建的交换机。
      安全组	选择上述已创建的安全组。

   4. 在DataWorks资源组列表页面，单击目标独享数据集成资源组操作列的修改归属工作空间，将资源组绑定至目标工作空间。

2. 创建实时同步任务。

   1. 进入DataWorks数据集成首页，单击创建我的数据同步。

   2. 在新建同步任务页面，根据下表配置任务名称和同步类型，未提及的参数保持默认。

      参数	说明
      新任务名称	自定义。本文以data_test为例。
      选择数据源	来源端：选择MySQL。 目的端：选择Hologres。

   3. 在网络与资源配置区域配置数据来源。

      1. 单击数据来源右侧的新建数据源。

      2. 在新增MySQL数据源对话框中配置如下参数，未提及的参数保持默认。并单击完成。

         参数	说明
         数据源类型	选择连接串模式。
         数据源名称	自定义。本文以mysqlData为例。
         JDBC URL	jdbc:mysql://rm-bp1z69dodhh85z9qa.mysql.rds.aliyuncs.com:3306/github_events_share
         用户名	workshop
         密码	workshop#2017 此密码仅为本教程示例，请勿在实际业务中使用。
         认证选项	无认证。

   4. 在网络与资源配置区域配置同步资源组。

      选择DataWorks免费独享数据集成资源组。

      注意：为保持公共数据源连接稳定，独享数据集成资源组与公共MySQL数据源创建连接后7天将进行释放，不影响独享数据集成资源组与您自己的MySQL创建的连接。

   5. 在网络与资源配置区域配置数据去向。

      1. 单击数据去向右侧的新建数据源。

      2. 在新增Hologres数据源对话框中配置如下参数，未提及的参数保持默认。并单击完成。

         参数	说明
         数据源类型	阿里云实例模式。
         数据源名称	自定义。本文以hologresData为例。
         实例ID	进入实例列表页面单击目标实例，在实例详情页面，获取实例ID。
         数据库名	填写上述已创建的Hologres数据库名称。
         AccessKey ID	进入AccessKey管理页面获取AccessKey ID。
         AccessKey Secret	进入AccessKey管理页面获取AccessKey Secret。
         认证选项	无认证。

   6. 单击网络与资源配置区域的测试所有连通性，保障网络连通。

   7. 实时同步任务设置。

      1. 测试连通性成功后，选择对应MySQL中的github表，勾选表并批量刷新映射。

         

      2. 基于上述已创建的Hologres内部表，将目标Schema名改为hologres_dataset_github_event，目标表名改为hologres_github_event，单击完成配置。

         

      3. 在任务列表页面启动任务，查看执行详情。

         公共数据源MySQL中保留近7天数据，离线数据将会通过全量进行同步，实时数据将在全量初始化完成后，实时写入Hologres。

         

      4. 待数据同步成功后，前往Hologres进行实时数据分析。

         

实时数据分析与可视化

1. 实时数据分析。

   1. 进入HoloWeb SQL编辑器，查询实时更新的过去24小时GitHub最活跃项目。

      SELECT
          repo_name,
          COUNT(*) AS events
      FROM
          hologres_dataset_github_event.hologres_github_event
      WHERE
          created_at >= now() - interval '1 day'
      GROUP BY
          repo_name
      ORDER BY
          events DESC
      LIMIT 5;
      

   2. 可以在元数据管理中自定义实时查询与分析Hologres近7天的数据。后续将其他维度的实时查询分析结果对接到DataV大屏，SQL样例可以查看附录。

2. 实时数据可视化。

   基于DataV自带模板，快速完成数据可视化大屏搭建。

   1. 前往DataV控制台，在左侧导航栏中选择数据准备 > 数据源。

   2. 在数据源页面，单击新建数据源。

   3. 在弹出的添加数据源面板中，根据下表参数信息新增Hologres数据源，并单击确定。

      参数	说明
      类型	实时数仓 Hologres
      网络	内网 华东2
      VPC ID	在Hologres管控台-实例列表中单击目标实例名称，在实例详情页面的网络信息区域获取VPC ID。
      VPC 实例 ID	在Hologres管控台-实例列表中单击目标实例名称，在实例详情页面的网络信息区域获取VPC实例 ID。
      名称	自定义命名。
      域名	在Hologres管控台-实例列表中单击目标实例名称，在实例详情页面的网络信息区域获取域名。
      用户名	进入AccessKey管理页面获取AccessKey ID。
      密码	进入AccessKey管理页面获取AccessKey Secret。
      端口	在Hologres管控台-实例列表中单击目标实例名称，在实例详情页面的网络信息区域，获取指定VPC的域名列对应的端口。例如：80。
      数据库	选择上述已创建的Hologres数据库名称。

   4. 前往DataV控制台，单击未分组页面的创建 PC 端看板，选择使用Hologres实时分析GitHub事件数据模板创建看板。

   5. 在创建看板对话框输入看板名称后，单击创建看板。

   6. 在已创建的看板页面中，单击数字，并在右侧数据源页签中，选择已添加的Hologres数据源。共计需要选择15处。

      

   7. 所有数字涉及的数据源都选择完成后，单击看板右上角的预览，即可获取实时更新的数据大屏预览链接（正式发布需要升级DataV高级版本）。最终效果如下：

      

（可选）历史离线数据分析

实时数仓Hologres与大数据计算服务MaxCompute深度融合，可以组成一体化的大数据查询与分析架构。在MaxCompute公共数据集中，存储了历史GitHub全量数据。如果想要做更长时间的数据分析，有两种方式：

• 使用外部表查询，在不导入数据的情况下，使用Hologres直接查询MaxCompute数据。

• 使用内部表查询，将历史数据通过0 ETL的形式快速导入Hologres，获得更快的查询速度。

• 外部表查询MaxCompute数据。

  1. 创建MaxCompute外部表。

     DROP FOREIGN TABLE IF EXISTS dwd_github_events_odps;
     
     IMPORT FOREIGN SCHEMA "bigdata_public_dataset#github_events" LIMIT to
     (
         dwd_github_events_odps
     ) 
     FROM SERVER odps_server INTO public OPTIONS(if_table_exist 'error',if_unsupported_type 'error');

  2. 通过外部表直接查询MaxCompute数据。例如查询昨日起最活跃项目：

     SELECT
         repo_name,
         COUNT(*) AS events
     FROM
         dwd_github_events_odps
     WHERE
         ds >= (CURRENT_DATE - interval '1 day')::text
     GROUP BY
         repo_name
     ORDER BY
         events DESC
     LIMIT 5;

• 0 ETL导入MaxCompute数据。

  1. 创建Hologres内部表。

     DROP TABLE IF EXISTS gh_event_data;
     
     BEGIN;
     CREATE TABLE gh_event_data (
         id bigint,
         actor_id bigint,
         actor_login text,
         repo_id bigint,
         repo_name text,
         org_id bigint,
         org_login text,
         type text,
         created_at timestamp with time zone NOT NULL,
         action text,
         iss_or_pr_id bigint,
         number bigint,
         comment_id bigint,
         commit_id text,
         member_id bigint,
         rev_or_push_or_rel_id bigint,
         ref text,
         ref_type text,
         state text,
         author_association text,
         language text,
         merged boolean,
         merged_at timestamp with time zone,
         additions bigint,
         deletions bigint,
         changed_files bigint,
         push_size bigint,
         push_distinct_size bigint,
         hr text,
         month text,
         year text,
         ds text
     );
     CALL set_table_property('public.gh_event_data', 'distribution_key', 'id');
     CALL set_table_property('public.gh_event_data', 'event_time_column', 'created_at');
     CALL set_table_property('public.gh_event_data', 'clustering_key', 'created_at');
     COMMIT;

  2. 通过外部表导入数据至内部表。

     INSERT INTO gh_event_data
     SELECT
         *
     FROM
         dwd_github_events_odps
     WHERE
         ds >= (CURRENT_DATE - interval '1 day')::text;
     
     -- 更新表的统计信息
     ANALYZE gh_event_data;

  3. 通过内部表查询昨日起最活跃项目。

     SELECT
         repo_name,
         COUNT(*) AS events
     FROM
         gh_event_data
     WHERE
         ds >= (CURRENT_DATE - interval '1 day')::text
     GROUP BY
         repo_name
     ORDER BY
         events DESC
     LIMIT 5;

附录

实验中包含数据大屏涉及到的所有SQL如下，需要将下面的<table_name>分别换成实际的表名。

1. 今日开发者和项目总数。

   SELECT
       uniq (actor_id) actor_num,
       uniq (repo_id) repo_num
   FROM
       <table_name>
   WHERE
       created_at > date_trunc('day', now());

2. 过去24小时最活跃项目。

   SELECT
       repo_name,
       COUNT(*) AS events
   FROM
       <table_name>
   WHERE
       created_at >= now() - interval '1 day'
   GROUP BY
       repo_name
   ORDER BY
       events DESC
   LIMIT 5;

3. 过去24小时最活跃开发者。

   SELECT
       actor_login,
       COUNT(*) AS events
   FROM
       <table_name>
   WHERE
       created_at >= now() - interval '1 day'
       and actor_login not like '%[bot]'
   GROUP BY
       actor_login
   ORDER BY
       events DESC
   LIMIT 5;

4. 今日公开事件总数。

   select count(*) from <table_name> where created_at >= date_trunc('day', now());

5. 过去24小时星标项目排行。

   SELECT
       repo_id,
       repo_name,
       COUNT(actor_login) total
   FROM
       <table_name>
   WHERE
       type = 'WatchEvent'
       AND created_at > now() - interval '1 day'
   GROUP BY
       repo_id,
       repo_name
   ORDER BY
       total DESC
   LIMIT 10;
   
   WITH agg_language AS (
       SELECT
           CASE
           LANGUAGE
           WHEN 'TypeScript' THEN
               'TypeScript'
           WHEN 'JavaScript' THEN
               'JavaScript'
           WHEN 'Python' THEN
               'Python'
           WHEN 'Go' THEN
               'Go'
           WHEN 'Java' THEN
               'Java'
           WHEN 'HTML' THEN
               'HTML'
           WHEN 'C++' THEN
               'C++'
           WHEN 'C#' THEN
               'C#'
           WHEN 'PHP' THEN
               'PHP'
           WHEN 'Ruby' THEN
               'Ruby'
           ELSE
               'Others'
           END AS
           LANGUAGE,
           count(*) total
       FROM
           <table_name>
       WHERE
           created_at > now() - interval '1 hour'
           AND
           LANGUAGE IS
           NOT NULL
       GROUP BY
           LANGUAGE
       ORDER BY
           total DESC
   )
   SELECT
       LANGUAGE,
       sum(total) AS sum
   FROM
       agg_language
   GROUP BY
       LANGUAGE
   ORDER BY
       sum DESC;

6. 实时事件展示。

   SELECT
       cast(created_at as text),
       actor_login,
       type,
       repo_name
   FROM
       <table_name>
   ORDER BY
       created_at DESC
   LIMIT 5;

完成

清理及后续

在体验完成本教程后，如果后续您不再使用的话，请及时释放相关资源。

欢迎加入实时数仓Hologres交流群（钉钉群号：32314975）交流。

1. 释放Hologres实例

   登录Hologres管理控制台，在实例列表页面释放目标Hologres实例，详情请参见删除实例。

2. 释放交换机

   登录专有网络管理控制台，在交换机页面，找到目标交换机，然后在操作列单击删除，按照界面提示释放实例。

3. 释放专有网络VPC

   登录专有网络管理控制台，在专有网络页面，找到目标VPC，然后在操作列单击删除，按照界面提示释放实例。

4. 删除DataWorks中删除同步任务和数据源

   1. 登录DataWorks管理控制台-同步任务页面，找到目标任务，在操作列单击更多 > 删除，按照界面提示删除同步任务。

   2. 登录DataWorks管理控制台-数据源页面，找到目标数据源，在操作列单击图标，按照界面提示删除数据源。

5. 删除DataV数据源

   登录DataV管理控制台，在数据源页面，找到目标数据源并删除。