前提

• 必須是同一阿裏雲region的Data Lake Analytics（DLA）到AnalyticDB的才能進行清洗操作；
• 開通並初始化了該region的DLA服務；
• 開通並購買了AnalyticDB的實例，實例規模和數據清洗速度強相關，與AnalyticDB的實例資源規模基本成線性比例關系。

整體執行流程示意圖：

步驟 1：在AnalyticDB中為DLA開通一個VPC訪問點

DLA在上海region的VPC參數信息：

• 可用區：cn-shanghai-d
• VPC id: vpc-uf6wxkgst74es59wqareb
• VSwitch id: vsw-uf6m7k4fcq3pgd0yjfdnm

在AnalyticDB中為DLA創建VPC的專有網絡，註意，要使用MySQL命令行連接AnalyticDB的經典網絡鏈接，執行：

alter database txk_cldsj set zone_id=‘xxx‘ vpc_id=‘xxx‘ vswitch_id=‘xxx‘;

其中，“zone_id”、“vpc_id”和“vswitch_id”分別填同region的DLA對應的VPC id和VSwitch id，見上表。

命令執行成功後，刷新DMS for AnalyticDB控制臺頁面，應該能看到一個VPC的URL。

步驟 2：在AnalyticDB中創建好目標的實時表

具體AnalyticDB的建表文檔請參考：https://help.aliyun.com/document_detail/26403.html

-- 例如：

-- 目標表為實時維度表：
CREATE DIMENSION TABLE etl_ads_db.etl_ads_dimension_table (
  col1 INT, 
  col2 STRING, 
  col3 INT, 
  col4 STRING,
  primary key (col1)
)
options (updateType=‘realtime‘);

-- 目標表為實時分區表：
CREATE TABLE etl_ads_db.etl_ads_partition_table (
  col1 INT, 
  col2 INT, 
  col3 INT, 
  col4 INT, 
  col5 DOUBLE, 
  col6 DOUBLE, 
  col7 DOUBLE
  primary key (col1, col2, col3, col4)
)
PARTITION BY HASH KEY(col1)
PARTITION NUM 32
TABLEGROUP xxx_group
options (updateType=‘realtime‘);

步驟 3：在DLA中創建好與AnalyticDB目標表映射的表

DLA中的表名、列名與AnalyticDB目標表對應同名

這種情況下，建表語句會比較簡單。
其中，如下參數需要指明：

-- 目標AnalyticDB
LOCATION = ‘jdbc:mysql://etl_ads_db-e85fbfe8-vpc.cn-shanghai-1.ads.aliyuncs.com:10001/etl_ads_db‘

-- 目標AnalyticDB的訪問用戶名
USER=‘xxx‘

-- 目標AnalyticDB的訪問密碼
PASSWORD=‘xxx‘

CREATE SCHEMA `etl_dla_schema` WITH DBPROPERTIES 
( 
  CATALOG = ‘ads‘, 
  LOCATION = ‘jdbc:mysql://etl_ads_db-e85fbfe8-vpc.cn-shanghai-1.ads.aliyuncs.com:10001/etl_ads_db‘,
  USER=‘xxx‘,
  PASSWORD=‘xxx‘
);

USE etl_dla_schema;

CREATE EXTERNAL TABLE etl_ads_dimension_table (
  col1 INT, 
  col2 VARCHAR(200), 
  col3 INT, 
  col4 VARCHAR(200),
  primary key (col1)
);

CREATE EXTERNAL TABLE etl_ads_partition_table (
  col1 INT, 
  col2 INT, 
  col3 INT, 
  col4 INT, 
  col5 DOUBLE, 
  col6 DOUBLE, 
  col7 DOUBLE
  primary key (col1, col2, col3, col4)
)

步驟 4：在DLA中創建表指向源OSS數據

CREATE SCHEMA oss_data_schema with DBPROPERTIES(
  LOCATION = ‘oss://my_bucket/‘,
  catalog=‘oss‘
);

CREATE EXTERNAL TABLE IF NOT EXISTS dla_table_1 (
    col_1 INT, 
    col_2 VARCHAR(200), 
    col_3 INT, 
    col_4 VARCHAR(200)
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘|‘ 
STORED AS TEXTFILE 
LOCATION ‘oss://my_bucket/oss_table_1‘;

CREATE EXTERNAL TABLE IF NOT EXISTS dla_table_2 (
  col_1 INT, 
  col_2 INT, 
  col_3 INT, 
  col_4 INT, 
  col_5 DOUBLE, 
  col_6 DOUBLE, 
  col_7 DOUBLE
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘|‘ 
STORED AS TEXTFILE 
LOCATION ‘oss://my_bucket/oss_table_2‘;

步驟 5：在DLA中執行INSERT FROM SELECT語句

INSERT FROM SELECT通常為長時運行任務，建議通過異步執行方式：
註意：用MySQL命令行執行時，連接時，需要在命令行指定-c參數，用來識別MySQL語句前的hint：

mysql -hxxx -Pxxx -uxxx -pxxx db_name -c

示例：

-- 執行OSS到AnalyticDB的全量數據插入
/*+run-async=true*/
INSERT INTO etl_dla_schema.etl_dla_dimension_table 
SELECT * FROM oss_data_schema.dla_table_1;

-- 執行OSS到AnalyticDB的數據插入，包含對OSS數據的篩選邏輯
/*+run-async=true*/
INSERT INTO etl_dla_schema.etl_dla_partition_table (col_1, col_2, col_3, col_7)
SELECT col_1, col_2, col_3, col_7 
FROM oss_data_schema.dla_table_2 
WHERE col_1 > 1000 
LIMIT 10000;

註意：

• 如果在INSERT INTO子句和SELECT子句中沒有指定列信息，請確保源表和目標表的列定義順序一致，且類型對應匹配；
• 如果在INSERT INTO子句和SELECT子句中指定了列的信息，請確保兩者中的列的順序符合業務需要的匹配順序，且類型對應匹配。

如果在DMS for Data Lake Analytics控制臺(https://datalakeanalytics.console.aliyun.com/))執行，請選擇“異步執行”。

然後可以從“執行歷史” 中，點擊“刷新”，查看任務的執行狀態。
異步執行INSERT FROM SELECT語句，會返回一個task id，通過這個task id，可以輪詢任務執行情況，如果status為“SUCCESS”，則任務完成：

SHOW query_task WHERE id = ‘26c6b18b_1532588796832‘

註意事項

• AnalyticDB為主鍵覆蓋邏輯，整個INSERT FROM SELECT的ETL任務失敗，用戶需要整體重試；
• AnalyticDB消費數據有一定延時，在AnalyticDB端查詢寫入數據時，會有一定的延遲可見，具體延遲時間取決於AnalyticDB的資源規格；
• 建議將ETL任務盡量切成小的單位批次執行，比如，OSS數據200GB，在業務允許的情況下，200GB的數據切成100個文件夾，每個文件夾2GB數據，對應DLA中建100張表，100張表分別做ETL，單個ETL任務失敗，可以只重試單個ETL任務；
• ETL任務結束後，視情況刪除DLA中的表，包括映射AnalyticDB中的表、以及指向OSS數據的表。

本文作者：julian.zhou

原文鏈接

本文為雲棲社區原創內容，未經允許不得轉載。

使用Data Lake Analytics從OSS清洗數據到AnalyticDB