玩转阿里云EMR三部曲-高级篇 交互式查询及统一数据源-阿里云开发者社区

开发者社区> 阿里云EMR> 正文

玩转阿里云EMR三部曲-高级篇 交互式查询及统一数据源

简介: 玩转阿里云EMR三部曲-高级篇 交互式查询及统一数据源 作者:邓力,entobit技术总监,八年大数据从业经历,由一代HADOOP入坑,深耕云计算应用领域,由从事亚马逊EMR和阿里云EMR应用开发逐步转入大数据架构领域,对大数据生态及框架应用有深刻理解。

玩转阿里云EMR三部曲-高级篇 交互式查询及统一数据源

作者:邓力,entobit技术总监,八年大数据从业经历,由一代HADOOP入坑,深耕云计算应用领域,由从事亚马逊EMR和阿里云EMR应用开发逐步转入大数据架构领域,对大数据生态及框架应用有深刻理解。

引言

笔者近几年工作以架构为主,本系列文章旨在从系统架构层面提供一定参考和帮助。
本文默认阅读文章的小伙伴们有MR/SPARK等基础,文中不再重复介绍相关知识。

本文为玩转阿里云EMR系列最终篇,第一篇文章为基础介绍和样例实战,可以查看玩转阿里云EMR三部曲-入门篇,第二篇文章为集成自有服务于EMR,可以查看玩转阿里云EMR三部曲-集成篇

多样化的数据需求

随着数据越来越多,商务和运营同学们需求更多的数据开发和维护,但是研发同学忙于产品线,没有足够的资源可以持续满足日益增多的数据开发。

宝贵的硬盘空间

之前数据结果集中存放于自有的FTP服务器,磁盘空间越来越紧张,需要不停的增加硬盘,也会受到单节点磁盘性能的影响。

不统一的数据源

不同的业务线使用了不同的数据库,有一些类日志行为使用MONGODB,事务类使用了MYSQL,还有搜索服务等,不同的数据源极大增加了开发/维护的难度

寻找解决方案
目标
  • 统一数据源
  • 释放单点硬盘瓶颈
  • 引入交互式类SQL查询
方案选型
  1. 阿里云数据湖
  2. 基于EMR定制
  3. 自建加定制混合云

三种方案成熟,最终都能达到效果。不同的公司/组织架构会有差异化,以下是三种方案的侧重点

  • 阿里云数据湖
    完美兼容阿里云生态下的各种服务,比如OSS,阿里云MYSQL版,阿里云MONGODB版,图形化界面
  • 基于EMR定制
    完美兼容OSS,兼容自有MYSQL,MONGODB等,图形化界面(hue)
  • 混合云
    自有IDC与阿里云结合

其中阿里云数据湖也可以兼容自有MYSQL/MONGODB服务等,只不过可能会因为版本不同有异常问题。

一点点建议:

  • 首选阿里云数据湖
  • 次选EMR定制
  • 忽略成本问题可以参考混合云

团队控制成本非常严格,所以这次只能选用的是方案2-基于EMR定制

实现细节
  1. 创建EMR包月集群,可以参考玩转阿里云EMR三部曲-入门篇
  2. 等待集群创建成功,在EMR控制台界面修改HIVE参数 hive.execution.engine=tez,重启HIVE服务
    1
  3. 登陆MASTER并查看HUE服务是否正常,不正常重新启动HUE进程 参考命令(默认端口为8888)

    su hue
    /usr/lib/hue-current/build/env/bin/supervisor >/dev/null 2>&1 &
  4. 绑定域名至阿里云ECSIP
  5. 利用域名绑定ECS NGINX跳转MASTER端口开启公网HUE服务

    # nginx核心部分
    upstream hue {
        server ip:8888 max_fails=3 fail_timeout=20s;
    }
    
    server {
        listen 80;
        server_name HOSTNAME;
        location / {
            proxy_pass http://hue;
            proxy_redirect off;
            proxy_set_header Host $host;
            proxy_set_header X-Real-IP $remote_addr;
            proxy_set_header X-Scheme $scheme;
            proxy_set_header X-SSL-Protocol $ssl_protocol;
            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
            proxy_set_header X-HTTPS-Protocol $ssl_protocol;
            proxy_set_header X-Forwarded-Proto $scheme;
            proxy_send_timeout 300;
            proxy_read_timeout 300;
        }
    }
    重启或者重载NGINX服务
    备注:
      - 这里可以设置IP黑白名单
      - 开启公网TEZUI可以类似设置
      - 如果实在没有域名可以在EMR安全组设置打开公网端口访问,不推荐
  6. 登陆公网域名并访问HUE,其中域名为NGINX内配置加域名后缀,比如:hue.abcd.com。默认账号和密码可以在EMR控制台查看,这里涉及安全问题不予描述
    2
  7. 进入notebook工作台页面,在IDE内可以建表并查询如下:

    // 建测试表
    create external table a (
      c0 bigint,
      day string,
      name string,
      channel string
    )
    ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
    STORED AS TEXTFILE
    location 'oss://xxx:yyy@bucket.oss-cn-beijing-internal.aliyuncs.com/daily/test/'
    
    // 查询
    select * from a limit 10
    
    // 结果
    2018-04-19    2018-07-04    一代倾城逐浪花    youku
    2018-04-22    2018-09-02    丧尸屠城2    iqiyi
    2018-08-07    2018-08-08    前任攻略    letv
    2018-08-07    2018-08-08    复仇者联盟2:奥创纪元    letv
    2018-04-18    2018-09-02    外八门之雪域魔窟    iqiyi
  8. 引入更多支持格式,统一数据源,添加JSON格式JAR包,MONGDODB驱动等等

    // 引入JSON文件支持,推荐JSONX
    // 下载JAR包
    wget "http://www.congiu.net/hive-json-serde/1.3.8/cdh5/json-serde-1.3.8-jar-with-dependencies.jar"
    // 拷贝至hive jar路径
    cp json-serde-1.3.8-jar-with-dependencies.jar /usr/lib/hive-current/lib/
    // 利用EMR控制台重启HIVE服务
    // 建立json表,注意key大小写映射
    CREATE EXTERNAL TABLE default.json_test (isOriginal BOOLEAN,`@timestamp` STRING,official_account STRING,down BIGINT,duration BIGINT)
    ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
    with serdeproperties ("mapping.isOriginal"="isOriginal")
    location 'oss://xxx:yyy@bucket.oss-cn-beijing-internal.aliyuncs.com/json/test/'
  9. 查看正在执行的任务可以查看链接 http://hue.abcd.com/jobbrowser/ 或者通过TEZUI页面查看

更多思考

  1. 包月集群任务优先级或者资源如何隔离:使用队列
  2. 包月集群在某个时间段负载过高如何解决: 使用EMR弹性伸缩,可以更具CPU负载或者时间设定增加/缩减节点数量
  3. 统计结果查询过慢如何解决:可以使用HUE打开IMPALA/PRESTO查询接口,使用新引擎接口可以更快查询
  4. 运营报表维度太多,每次HIVE计算过慢,IMPALA有内存限制:可以采用预计算机制,提前计算中间表,更好的方案是SparkSQL,3.22版本支持RelationalCache,除此之外还有阿里云DRUID,但更适用于通用报表统计,adhoc需求推荐使用SparkSQL实现
  5. 包月集群磁盘空间已满:善用OSS作为备份存储或者开启JINDOFS文件系统(强烈推荐)
  6. 使用OSS作为存储,请使用external建立外表,否则drop会删除OSS数据

总结

利用阿里云EMR生态定制化集群,实现数据仓库满足商业/运营的查询需求,并提供横向扩展提升性能的空间,结合多样服务达到数据交互查询及统一数据源下的最佳成本控制。

欢迎对EMR及相关技术感兴趣的同学进钉钉群一起讨论 :)

4

版权声明:本文中所有内容均属于阿里云开发者社区所有,任何媒体、网站或个人未经阿里云开发者社区协议授权不得转载、链接、转贴或以其他方式复制发布/发表。申请授权请邮件developerteam@list.alibaba-inc.com,已获得阿里云开发者社区协议授权的媒体、网站,在转载使用时必须注明"稿件来源:阿里云开发者社区,原文作者姓名",违者本社区将依法追究责任。 如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:developer2020@service.aliyun.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
+ 订阅

阿里巴巴开源大数据技术团队成立阿里云EMR技术圈, 每周推送前沿技术文章,直播分享经典案例、在线答疑,营造纯粹的开源大数据氛围,欢迎加入!加入钉钉群聊阿里云E-MapReduce交流2群,点击进入查看详情 https://qr.dingtalk.com/action/joingroup?code=v1,k1,cNBcqHn4TvG0iHpN3cSc1B86D1831SGMdvGu7PW+sm4=&_dt_no_comment=1&origin=11

官方博客
官网链接