如何投递对接数据仓库？

日志服务 LogShipper功能可以便捷地将日志数据投递到 OSS、Table Store、MaxCompute 等存储类服务，配合 E-MapReduce（Spark、Hive）、MaxCompute 进行离线计算。

数仓（离线计算）


数据仓库+离线计算是实时计算的补充，两者针对目标不同：

模式	优势	劣势	使用领域
实时计算	快速	计算较为简单	增量为主，监控、实时分析
离线计算（数据仓库）	精准、计算能力强	较慢	全量为主，BI、数据统计、比较

目前对于数据分析类需求，同一份数据会同时做实时计算+数据仓库（离线计算）。例如对访问日志：

• 通过流计算实时显示大盘数据：当前PV、UV、各运营商信息。
• 每天晚上对全量数据进行细节分析，比较增长量、同步/环比，Top数据等。

互联网领域有两种经典的模式讨论：

• Lamdba Architecture: 数据进来后，既支持流式处理、同时存入数仓。但用户发起查询时，会根据查询需求和复杂度从实时计算、离线计算拿结果返回。
• Kappa Architecture: kafka based Architecture。弱化离线计算部分，数据存储都在Kafka中，实时计算解决所有问题。

日志服务提供模式比较偏向Lamdba Architecture。

LogHub/LogShipper一站式解决实时+离线场景


在创建Logstore后，可以在控制台配置LogShipper支持数据仓库对接。当前支持如下：

• OSS（大规模对象存储）:说明文档
• OSS上格式可以通过Hive处理，推荐E-MapReduce

TableStore(NoSQL数据存储服务):

• 操作步骤

MaxCompute(大数据计算服务):

• 说明文档：

LogShipper提供如下功能：

• 准实时：分钟级进入数据仓库
• 数据量大：无需担心并发量
• 自动重试：遇到故障自动重试、也可以通过API手动重试
• 任务API：通过API可以获得时间段日志投递状态
• 自动压缩：支持数据压缩、节省存储带宽

典型场景



场景 1：日志审计


小A维护了一个论坛，需要对论坛所有访问日志进行审计和离线分析。

• G部门需要小A配合记录最近180天内用户访问情况，在有需求时，提供某个时间段的访问日志。
• 运营同学在每个季度需要对日志出一份访问报表。

小A使用日志服务（LOG）收集服务器上日志数据，并且打开了日志投递（LogShipper）功能，日志服务就会自动完成日志收集、投递、以及压缩。有审查需要时，可以将该时间段日志授权给第三方。需要离线分析时，利用E-MapReduce跑一个30分钟离线任务，用最少的成本办了两件事情。

场景 2：日志实时+离线分析


小B是一个开源软件爱好者，喜欢利用Spark进行数据分析。他的需求如下：

• 移动端通过API收集日志。
• 通过Spark Streaming对日志进行实时分析，统计线上用户访问。
• 通过Hive进行T+1离线分析。
• 将日志数据开放给下游代理商，进行其他维度分析。

通过今天LOG+OSS+EMR+RAM组合，可轻松应对这类需求。