MaxCompute实战之数据存储

2022-03-31 22:48:23

MaxCompute(原名ODPS)，是阿里巴巴自主研发的海量数据处理平台。 主要服务于批量结构化数据的存储和计算，可以提供海量数据仓库的解决方案以及针对大数据的分析建模服务。支持PB级别数据分析，常用场景如下：大型互联网企业的数据仓库和BI分析、网站的日志分析、电子商务网站的交易分析、用户特征和兴趣挖掘等。

我们接入MaxCompute主要做两个工作，一是网站的日志分析，二是用户特征和兴趣挖掘。其中网站日志分析项目组内（就是高德开放平台）已经玩的比较溜了，“用户特征和兴趣挖掘”还在探索中。

无论是做数据分析还是数据挖掘，都离不开数据。而MaxCompute不负责收集数据，他只负责处理数据，就好比你有台酸奶机但是没牛奶(MaxCompute比作酸奶机，数据比作牛奶)。所以先把海量的日志数据收集起来是第一步要做的工作。

MaxCompute中的元数据存储在阿里云计算的另一个开放服务Table Store（表格存储服务）中，元数据内容主要包括用户空间元数据、Table/Partition Schema、ACL、Job元数据、安全体系等。

概念清晰了，我们就可以开始动手，下面说说如何将海量的日志收集起来。

一. 数据收集

数据来源我们并不关心，可以是来自MySQL，也可以是文本文件。不过我们的业务场景主要是生产大量的log（文本文件）。比如Nginx请求日志、PHP，Java，Node的服务日志、自建的埋点日志等。

如果你的数据不是文本文件，可以参考这篇文章将数据导入MaxCompute的方法汇总

首先我们要将这些日志收集起来，这里我们使用Fluentd服务（类似的服务还有kafka、LogHub、DataX等，都大同小异，这里我用Fluentd作描述只是方便），通过Fluentd我们轻松的创建任务去按时读取各台服务器上的日志文件。简单点说就是你只需要配置服务器上日志的路径，Fluentd就帮你把日志存储到MaxCompute的Table Store中，然后你就能愉快的通过MaxCompute分析数据了。

使用Fluentd去管理数据收集方式确实能帮我们节省大量人力，而且方式相当便捷，分分钟就能上线泡咖啡！但Fluentd带来便利的同时就需要我们遵守它的规则。比如创建的Table Store表（这样说好别扭，还是叫MaxCompute表吧），必须按照Fluentd定义的字段写，默认四个字段如下

  1. content 日志内容
  2. ds 天，Fluentd自动生成
  3. hh 小时，Fluentd自动生成
  4. mm 分钟，Fluentd自动生成

PS：如果个人使用Fluentd是可以自定义字段的，不需要像我们一样。我们团队之所以规范字段信息，主要是为了之后的扩展和统一管理（上百个项目）。当然我也建议大家像我们一样规范字段,这样做的好处是之后你能基于Fluentd做平台。

如上可以看到真正能控制的字段只有content，其他字段Fluentd都帮你自动生成。所以在你要做数据分析时就需要用到无数的LIKE，这样不但会导致查询速度慢，最主要和最痛苦的是稍微复杂点的数据分析都无法实现，用LIKE去模仿等于、不等于、包含、不包含难度太高。你好不容易（其实并没有很不容易）把平台搭建好，并说这个服务多牛。一个月后PM要你产出一个报表你发现没办法，PM会觉得你做的啥玩意儿…

这个时候我们可以在埋点时对数据格式做下处理，用些小技巧。比如用各种符号做分隔符，定义一套log格式标准，总归有很多总办法解决问题。但是马总不是说过嘛，解决问题的最好办法就是不给他发生的机会……所以看下文

二. 自建MaxCompute数据源

MaxCompute本身提供了Fluentd的所有功能接口，不过调用接口虽然简单，配置环境却很复杂。如果业务需要对数据做深入的分析和挖掘，就不得不自己配置环境。当然，这也是MaxCompute强大的体现（一般使用成本高的都让人觉得很强大）……

  1. 首先，我们需要创建Table，这和MySQL基本一样

    create table if not exists sale_detail(
shop_name     string,
customer_id   string,
total_price   double)
partitioned by (sale_date string,region string); //设置分区

    分区一定要考虑到，因为MaxCompute的查询最多只能显示5000条数据，limit不支持offect，所以数据量一大就无法通过开发套件（Data IDE）做在线查询。导出数据到本地也需要使用分区字段，分区越大一次请求能导出的数据就越多，合理的设置分区非常重要。

  2. 通过MaxCompute DataHub Service(DHS) 通常称为Datahub服务，去上传数据。

    Datahub服务提供了SDK，不过是Java的，通过SDK可以实现实时上传功能。因为Datahub服务接口不用创建MaxCompute任务(Task)，所以速度非常快。可以向较高的QPS(Query Per Second)和较大的吞吐量的服务提供数据存储支持。Datahub上的数据只会被存储7天，之后会被删除，被删除之前会保存到MaxCompute的表中。也可通过异步的方式，调用接口同步Datahub中的数据到MaxCompute的表中。

    如果服务本身就使用Java可以直接使用SDK，非Java服务就需要权衡成本。应该还有类似Fluentd的平台，可以到 阿里云MaxCompute工具查找。

三. 流程介绍

在实际项目中使用MaxCompute有4种通用的方案，这里贴出流程图供大家参考；

  1. 最简单也是最通用的方法，使用Fluentd上传数据，适用于简单的数据存储。如果只是用来收集日志，出问题时容易排查问题可以选择这种方案；流程图如下：

    ![使用Fluentd上传数据](https://yqfile.alicdn.com/e5081df1919fe1c35a4a1ff6f8638696dbacb1fa.png)

  2. 比较进阶的方法，使用PyODPS上传数据，适用于较为复杂的数据存储。比如我们需要对收集的日志做转换，例如需要将IP地址转换成城市等；流程图如下：

    ![使用PyODPS上传数据](https://yqfile.alicdn.com/21f3115c8b15449008412847a548622a5bfa1aef.png)

  3. 比较复杂，易于扩展的方法，需要使用Fluentd和PyODPS上传数据，适用于需要对数据做大量分析的场景。例如多个部门需要的数据埋点也不一样，分析的方法和想得到的报表也不一样等；流程图如下：

    ![使用Fluentd和PyODPS上传数据](https://yqfile.alicdn.com/c1a818941f5442d317bcaaf85e34c8a89ec36ea9.png)

  4. 最实时的方法，使用Datahub上传数据，适用于需要实时同步数据的业务场景。例如游戏日志处理，电商充值、购物等要求低延的场景；流程图如下：

    ![使用Datahub上传数据](https://yqfile.alicdn.com/9864a654ee39f8a6d02618c50f90827c6c489efe.png)

四. 总结

直接在生产环境上调用DHS对我们的PHP环境来说成本太高，所以暂时使用的是Fluentd收集日志数据，然后通过PyODPS将数据下载到本地，处理后再传到MaxCompute Table中。我们的业务场景比较麻烦所以流程显得略复杂，如果你不需要做复杂的数据分析，建议直接使用Fluentd上传数据就行。

五. 最后

最后贴出核心代码，供参考，语言使用Python。

  1. 封装MaxCompute的连接，这样方便我们随时随地使用MaxCompute的强大功能，只需要在代码中调用一句 “odps = OdpsConnect().getIntense()” ；

    #/usr/bin/python3
__author__ = 'layne.fyc@gmail.com'
#coding=utf-8
from odps import ODPS
# 测试地址：endpoint='http://service-corp.odps.aliyun-inc.com/api'
# 正式地址：endpoint='http://service.odps.aliyun-inc.com/api'
debug = True
onlineUrl = 'http://service.odps.aliyun-inc.com/api'
localUrl = 'http://service-corp.odps.aliyun-inc.com/api'
accessId = '填自己的'
accessKey = '填自己的'

class OdpsConnect:
    model = object
    def __init__(self):
        self.model = ODPS(accessId,accessKey,project='项目名', endpoint=(localUrl if debug else onlineUrl))         
    def getIntense(self):
        return self.model
    def exe(self,sql):
        return self.model.execute_sql(sql)

  2. 创建MaxCompute Table用来存储我们的海量日志，上万亿条数据都不在话下。

    from OdpsConnect import OdpsConnect
from odps.models import Schema, Column, Partition
odps = OdpsConnect().getIntense()
odps.delete_table('test_amap_analys', if_exists=True)  #表存在时删除

#各种项
columns = [
    Column(name='uid', type='bigint', comment='user id'),
    Column(name='ctime', type='bigint', comment='time stamp'),
    Column(name='url', type='string', comment='url'),
    Column(name='param', type='string', comment='param'),
    Column(name='ip', type='string', comment='ip'),
    Column(name='city', type='string', comment='city')
]
#分区信息
partitions = [
    Partition(name='dt', type='bigint', comment='the partition day')
]
schema = Schema(columns=columns, partitions=partitions)
table = odps.create_table('test_amap_analys', schema,if_not_exists=True)

    有几点需要特别注意：

    1. MaxCompute Table只支持添加数据，不支持删除与修改数据。如果要删除脏数据只能先备份整张表到B，再删除这张表A，再新建表A，最后将表B的备份信息处理后重新导入表A；所以，导入数据一定要慎重。
    2. 分区信息可以创建很多个，但是在导入、导出、某些特殊查询时都要全量带上。比如你的分区字段为“a,b,c,d”,最后你在导出数据时必须指定"a,b,c,d"的内容，只指定‘a,b’或者‘a.c’都是不行的。所以设置分区字段也要慎重，尽量字段设置少点，这里建议通过数据量来设置，建议每个分区存储2W条左右的数据。

  3. 通过Tunnel上传数据到MaxCompute；

    描述：我们通过程序在服务器上埋点了大量日志文件，文件名为“log/20160605.log”每天通过日期定时生成。每条埋点日志的格式为：

    “name:amap|ip:19.19.19.19|uuid:110112|param:sdfsdf=123&fsdf=123|url:get-user-info|time:123123123”

    使用 ‘|’和‘:’号分隔，现在我们需要将所有日志数据存储到我们上一步创建的“test_amap_analys” 表中。

    #/usr/bin/python3
__author__ = 'layne.xfl@alibaba-inc.com'
#coding=utf-8
import datetime
import urllib.parse
#自己封装的IP库
import db.IP
from OdpsConnect import OdpsConnect
from odps.models import Schema, Column, Partition
from odps.tunnel import TableTunnel


odps = OdpsConnect().getIntense()
t = odps.get_table('test_amap_analys')
records = []
tunnel = TableTunnel(odps)
#日志文件名格式为 log/20160605.log
#这里默认上传前5天数据
sz = 5
while sz > 0 :
    #get Yestoday
    last_time = (datetime.datetime.now() + datetime.timedelta(days=-sz)).strftime('%Y%m%d')
    # 分区不存在的时候需要创建，不然会报错
    t.create_partition('dt='+last_time, if_not_exists=True)
    #创建连接会话
    upload_session = tunnel.create_upload_session(t.name, partition_spec='dt='+last_time)
    #通过日期规则构造的文件名
    file = 'log/%s.log' % last_time
    with upload_session.open_record_writer(0) as writer:
        for line in open(file,'r',encoding='utf8'):
            arr = {}
            #我们的日志使用 ‘|’和‘:’号分隔，
            #例如：‘name:amap|ip:19.19.19.19|uuid:110112|param:sdfsdf=123&fsdf=123|url:get-user-info|time:123123123’
            for tm in raw.split('|'):
                pstm = tm.split(':')
                if(len(pstm)==2):
                    arr[pstm[0]] = pstm[1]
            #nginx中的ip参数可能被伪造，我们需要做过滤
            ip = arr.get('ip','')
            if(len(ip)>15):
                iparr = ip.split(',')
                ip = iparr[-1].strip(" ")
            city = ''
            if ip != '':
                #通过ip获取城市信息
                city = db.IP.find(ip)
            writer.write(t.new_record(
                [
                    arr.get('uid',0),
                    arr.get('time',0),
                    arr.get('url',''),
                    urllib.parse.unquote(arr.get('param','')).replace("\\","*").replace('"',"*"),  #做URL_DECODE
                    ip,
                    city,
                    last_time
                ]))
    upload_session.commit([0])
    sz = sz - 1;

    有几点需要特别注意：

    1. 使用MaxCompute一定要记住，数据为重，分区先行。存储数据，下载数据都要先设置好分区再操作数据。
    2. Nginx中拿到的IP参数能被伪造，不能直接使用，需要了解的话可看这篇文章 HTTP_X_FORWARDED_FOR伪造

有帮助的URL列表（不定期更新）：

  1. MaxCompute WIKI
  2. PyODPS
  3. 产品链接MaxCompute官网
  4. 大数据开发套件（Data IDE）
  5. 数据导入MaxCompute的方法汇总
上一篇：linux直接挂载虚拟机磁盘镜像文件


下一篇：EditPlus如何设置保存时不产生.bak备份文件？