带你读《全链路数据治理-全域数据集成》之36:5. 任务运维

本文涉及的产品
大数据开发治理平台DataWorks,Serverless资源组抵扣包300CU*H
简介: 带你读《全链路数据治理-全域数据集成》之36:5. 任务运维

5. 任务运维

1) 查看任务状态

提交执行后,单击“执行详情”可以看到执行阶段进度以及详细信息,每一个步骤的执行详情还会提供外链,直接查看或者运维执行步骤。

image.png

l 节点依赖关系

image.png

StreamxCheckDone:本节点负责检查实时同步位点,当实时同步位点已经超过本次运行的业务时间时。本节点会运行成功。如果实时同步任务没有在运行,或者一直处于同步延迟中,本节点会一直检查 72 小时,超时后节点状态失败,阻塞下方节点执行,需要人工恢复实时同步后重跑 StreamxCheckDone 节点。


FullDataInitCheckDone:全量初始化结束后,会运行全量初始化标 done 节点,该节点负责在 MaxCompute 创建一个临时表,用于给全量数据初始化 CheckDone 节点检查全量初始化是否完成。


MergeIntoNode:当 StreamxCheckDone 和 FullDataInitCheckDone 都运行成功时,MergeIntoNode 开始合并上一业务日期的全量数据和新增的实时数据,产出新的全量天分区。


2) 增减数据源

分库分表至 MaxCompute 同步解决方案支持增加、减少同步的数据源。


修改同步任务,单击“批量编辑数据来源”,修改同步的数据源。


修改完成后提交执行同步解决方案,同步任务会找出新数据源所包含的新增子表,执行全量初始化。更新实时同步所同步的数据源。

image.png

3) 增减表

分库分表至 MaxCompute 同步解决方案支持增加、减少同步的逻辑表。


修改同步任务,操作“添加逻辑表”、“删除”即可实现增减表。


修改完成后提交执行同步解决方案,同步任务会全量初始化新表。更新实时同步所同步的逻辑表。

image.png

4) 附录

l 基础正则表达式

分库分表规则配置中,使用了 java 正则表达式,正则表达式的功能极其强大,以下

提供几个常用样例供参考。

image.png

附一些正则基础组成单元的样例。

image.png

正则表达式

作用


相关文章
|
1月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
2月前
|
SQL 分布式计算 运维
如何对付一个耗时6h+的ODPS任务:慢节点优化实践
本文描述了大数据处理任务(特别是涉及大量JOIN操作的任务)中遇到的性能瓶颈问题及其优化过程。
|
8天前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
62 7
|
8天前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
22 2
|
20天前
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
64 1
|
1月前
|
分布式计算 关系型数据库 MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
50 3
|
15天前
|
存储 大数据 定位技术
大数据 数据索引技术
【10月更文挑战第26天】
37 3
|
15天前
|
存储 大数据 OLAP
大数据数据分区技术
【10月更文挑战第26天】
49 2
|
17天前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
57 2
|
19天前
|
数据采集 分布式计算 大数据
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第27天】在数字化时代,数据治理对于确保数据资产的保值增值至关重要。本文探讨了大数据平台的搭建和数据质量管理的重要性及实践方法。大数据平台应包括数据存储、处理、分析和展示等功能,常用工具如Hadoop、Apache Spark和Flink。数据质量管理则涉及数据的准确性、一致性和完整性,通过建立数据质量评估和监控体系,确保数据分析结果的可靠性。企业应设立数据治理委员会,投资相关工具和技术,提升数据治理的效率和效果。
51 2

热门文章

最新文章

下一篇
无影云桌面