基于Delta lake、Hudi格式的湖仓一体方案

2023-10-16 11:15:40

简介： Delta Lake 和 Hudi 是流行的开放格式的存储层，为数据湖同时提供流式和批处理的操作，这允许我们在数据湖上直接运行 BI 等应用，让数据分析师可以即时查询新的实时数据，从而对您的业务产生即时的洞察。MaxCompute 在湖仓一体架构中，通过支持 Delta Lake 和 Hudi 在数据湖中提供数据仓库性能。

本文作者孟硕阿里云智能产品专家

直播视频请点击直播观看

一、最佳实践背景

整个最佳实践是基于MaxCompute的湖仓一体架构，模拟公司使用场景。比如公司 A 使用云上关系型数据库 RDS 作为自己的业务库，同时使用阿里云 EMR 系统做日志数据采集。将数据汇集到云上对象存储 OSS 上，引入了数据湖常会用的存储机制 Delta Lake 和 Hudi 为数据湖提供流处理、批处理能力。通过 MaxCompute 查询到实时数据，即时洞察业务数据变化。整个场景demo的架构是，云上EMR产生的实时变化的数据，包括在线数据库RDS，通过数据入湖，然后实时的把数据变化体现在归档的OSS 上。同时MaxCompute跟其他引擎一起分析OSS上的数据。

湖仓一体架构：异构数据平台融合

因为企业内部会有很多业务线，不同的部门，因为本身业务的需求及员工的技术栈几个方面的原因，导致采用的数据架构不一样，数据平台也不一样。技术架构有Hadoop技术体系，也有云上全托管架构，所以造成不同的部门对技术架构，使用的技术平台不一样，也造成了数据割裂的情况。湖仓一体就是帮助企业把异构数据平台做一个打通，底层数据可以相互访问，中间元数据层也可以做到互相透视，数据可以做到*流动。数据湖部分不只是支持EMR，也支持ESC Hadoop和云下IDC Hadoop。其中MaxCompute数据仓库也可以和数据湖EMR做一个数据打通，在用MaxCompute跟联播数据源做一个联播查询，这样可以把所有的数据在MaxCompute中做一个汇总。比如有三张表，在RDS和Hive中，同事MaxCompute里有大量事实表，如果需求是对这个三个表做一个联合查询，通过这个架构，可以很方便的做到这一点。

更快的业务洞察

DataWorks 自助开通湖仓一体：5分钟打通异构数据平台（Hadoop/ DLF+OSS ）

更广泛的生态对接

支持对接阿里云云原生数据湖构建（DLF）
支持查询 DeltaLake、Hudi 格式
支持对接更多外部联邦数据源 Hologres （RDS、HBaseUpcoming！）

更高的性能

智能 Cache 实现 OSS/ HDFS 数据访问加速
湖数据查询加速

更好的综合数据开发与治理

跨引擎开发和调度
统一湖/仓数据开发体验
统一湖/仓全局资产管理

湖仓一体的架构

首先看右侧部分，是跟OSS和DLF侧的打通，因为在OSS 上我们归档大量的半结构化和结构化的数据。有关系型数据库，有nosql数据库，可以通过DLF组件把OSS上的元数据爬取出来。相比于在MaxCompute上创建OSS外表访问OSS数据，现在通过DLF统一自动识别OSS schema，MaxCompute直接映射这种方式，会更方便一些。一些数据的更新，schema的变更，DLF也可以自动识别到。同时DLF里面有用户权限管理，后续会陆续上线。也就是说对于OSS对接的引擎，统一的数据访问权限会收敛到DLF里。

左侧是对Hadoop生态系统的打通，Hadoop包括阿里云半托管的EMR，开源的on ECS和IDC Hadoop，也包含主流的发行版CDH，也都可以做打通。下方再加上联邦数据源。通过MaxCompute可以连接到各种各样的云上数据源，通过上传DataWorks做统一的开发和管理，以及数据治理。这样就有一个全域数据资产视图，开发工作数据也能联通，元数据也能投射到DataWorks之上。这就是整个湖仓一体的架构。

二、相关产品介绍

数据湖构建DataLakeForamtion

DLF主要是针对OSS数据，做一个托管，上层对接其他引擎如EMR、Databricks、Datalnsight、PAI、MaxCompute、Hologres。这些引擎可以共享一份元数据在DLF上。后续企业可以根据不同部门，不同业务场景随意切换引擎。后期我们也会逐渐完善访问控制，以及一些企业级能力，比如安全，包括数据分层等。

数据入湖

支持多种数据源入湖，MySQL、SLS、OTS、Kafka等
离线/实时入湖，支持Delta/Hudi等多种数据湖格式
数据入湖预处理，支持字段mapping/转换/自定义udf操作

元数据管理

统一元数据管理，解决元数据多引擎一致性问题
兼容开源生态API
自动生成元数据，降低使用成本

访问控制

集中数据访问权限控制，多引擎统一集中式赋权
数据访问日志审计，统计数据访问信息

三、最佳实践Demo

整体架构

企业构建和应用数据湖一般需要经历数据入湖、数据湖存储与管理、数据探索与分析等几个过程。主要介绍基于阿里云 MaxCompute、数据湖构建（DLF）+ 对象存储（OSS）构建一站式的数据入湖与分析实战。其主要数据链路如下：

第一步：RDS数据准备

RDS 数据准备，在 RDS 中创建数据库 academy_db。在账户中心创建能够读取 employees 数据库的用户账号。通过DMS登录数据库，运行一下语句创建 anti_fraud_result 表，及插入少量数据。

CREATE TABLE `anti_fraud_result` (
  `transactionid` varchar(32) NOT NULL,
  `uid` varchar(32) DEFAULT NULL,
  `card` varchar(32) DEFAULT NULL,
  `longitude` double(12,8) DEFAULT '12.00000000',
  `latitude` double(12,8) DEFAULT '12.00000000',
  PRIMARY KEY (`transactionid`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
;

INSERT INTO `anti_fraud_result` values ("12489571","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489572","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489573","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489574","82005","123123",3.14592040,101.12315432);

第二部：DLF数据入湖

进入DLF控制台界面：阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台，点击菜单数据入湖 -> 数据源管理-> 新建数据源。输入数据库相关连接信息

填写 RDS 实例、登录信息以及网络和安全组信息后，点击“连接测试”

在 OSS 中新建 Bucket 和目录，如 bucket: rtcompute，目录：oss://rtcompute/csvfile/
在 DLF 控制台界面点击左侧菜单“元数据管理”->“元数据库”，点击“新建元数据库”。填写名称 covid-19，新建目录并选择。

创建入湖任务：

a. DLF 控制台中点击菜单“数据入湖”->“入户任务管理”，点击“新建入湖任务” -> 选择“关系数据库实时入湖”，按照下图的信息填写数据源、目标数据湖、任务配置等信息。并保存。

如果是 Hudi 格式，在“存储格式”中可以选择 Hudi：

b. 下一步输入任务实例名称，RAM角色以及最大资源使用量，点击下一步确认信息

c. 在 DLF 控制台“入户任务管理” 界面中，找到刚创建的入湖任务列表，点击“运行”启动入湖作业；该数据入湖任务，属于全量+增量入湖，大约3至5分钟后，全量数据会完成导入，随后自动进入实时监听状态。如果有数据更新，则会自动更新至 Delta Lake 或 Hudi 数据格式中。

第三步：MaxCompute中查询数据

开通 DataWorks 与 MaxCompute （快速启动请参考文档），并进入 DataWorks 临时查询界面（请参考文档）

创建 MaxCompute 外部 Project 映射 DLF 元数据：

create externalproject -source dlf -name ext_dlf_delta
     -ref ms_proj1
     -comment "DLF"
     -region "cn-shanghai"
     -db covid_19
     -endpoint "dlf-share.cn-shanghai.aliyuncs.com"
     -ossEndpoint "oss-cn-shanghai-internal.aliyuncs.com";

-- 显示映射表信息
show tables in ext_dlf_delta;

查询数据：

set odps.sql.hive.compatible=true;
set odps.sql.split.hive.bridge=true;
select * from ext_dlf_delta.sh_rds;

第四部：RDS中新增数据

INSERT INTO `anti_fraud_result` values ("12489575","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489576","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489577","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489578","82005","123123",3.14592040,101.12315432);
INSERT INTO `anti_fraud_result` values ("12489579","82005","123123",3.14592040,101.12315432);

MaxCompute中校验数据

set odps.sql.hive.compatible=true;
set odps.sql.split.hive.bridge=true;
select * from ext_dlf_delta.sh_rds;

在1分钟之内，在 MaxCompute 中查看数据已更新：

原文链接
本文为阿里云原创内容，未经允许不得转载。

码农公寓