阿里云大数据利器之-RDS迁移到Maxcompute实现动态分区

摘要： 当前，不少用户的业务数据存放在传统关系型数据库上，例如阿里云的RDS，作业务读写操做。当数据量很是大的时候，此时传系关系型数据库会显得有些吃力，那么会常常有将mysql数据库的数据迁移到[大数据处理平台-大数据计算服务（Maxcompute，原ODPS）(https://www.aliyun.com/produc...，利用其强大的存储和计算能力进行各类查询计算，结果再回流到RDS。

点此查看原文：http://click.aliyun.com/m/40816/

当前，不少用户的业务数据存放在传统关系型数据库上，例如阿里云的RDS，作业务读写操做。当数据量很是大的时候，此时传统关系型数据库会显得有些吃力，那么会常常有将mysql数据库的数据迁移到[大数据处理平台-大数据计算服务（Maxcompute，原ODPS）(https://www.aliyun.com/produc...，利用其强大的存储和计算能力进行各类查询计算，结果再回流到RDS。

通常状况下，业务数据是按日期来区分的，有的静态数据多是按照区域或者地域来区分，在Maxcompute中数据能够按照分区来存放，能够简单理解为一份数据放在不一样的子目录下，子目录的名称以日期来命名。那么在RDS数据迁移到Maxcompute上的过程当中，不少用户但愿能够自动的建立分区，动态的将RDS中的数据，好比按日期区分的数据存放到Maxcompute中，这个流程自动化建立。同步的工具是使用Maxcompute的配套产品-[大数据开发套件](https://data.aliyun.com/product/ide?spm=5176.7741945.765261.313.TQqfkK)。下面就举例说明RDS-Maxcompute自动分区几种方法的使用。

一，将RDS中的数据定时天天同步到Maxcompute中，自动建立按天日期的分区。

这里就要用到大数据开发套件-数据集成的功能，咱们采用界面化的配置。
如图地方，设置Maxcompute的分区格式

通常配置到这个地方的时候，默认是系统自带时间参数：${bdp.system.bizdate} 格式是yyyymmdd。也就是说在调度执行这个任务的时候，这个分区会被自动替换为
任务执行日期的前一天，
相对用户比较方便的，由于通常用户业务数据是当前跑前一天的业务数据，这个日期也叫业务日期。
如图

若是用户想使用当天任务运行的日期做为分区值，须要自定义这个参数，方法如图，也能够参考文档
https://help.aliyun.com/docum...
自定义的参数，格式很是灵活，日期是当天日期，用户能够自由选择哪一天，以及格式。
可供参考的变量参数配置方式以下：
后N年：$[add_months(yyyymmdd,12*N)]
前N年：$[add_months(yyyymmdd,-12*N)]
后N月：$[add_months(yyyymmdd,N)]
前N月：$[add_months(yyyymmdd,-N)]
后N周：$[yyyymmdd+7*N]
前N周：$[yyyymmdd-7*N]
后N天：$[yyyymmdd+N]
前N天：$[yyyymmdd-N]
后N小时：$[hh24miss+N/24]
前N小时：$[hh24miss-N/24]
后N分钟：$[hh24miss+N/24/60]
前N分钟：$[hh24miss-N/24/60]
注意：
请以中括号 [] 编辑自定义变量参数的取值计算公式，例如 key1=$[yyyy-mm-dd]。
默认状况下，自定义变量参数的计算单位为天。例如 $[hh24miss-N/24/60] 表示 (yyyymmddhh24miss-(N/24/60 * 1天)) 的计算结果，而后按 hh24miss 的格式取时分秒。
使用 add_months 的计算单位为月。例如 $[add_months(yyyymmdd,12 N)-M/24/60] 表示 (yyyymmddhh24miss-(12 N 1月))-(M/24/60 1天) 的结果，而后按 yyyymmdd 的格式取年月日。
如图，配置完成后，咱们来测试运行看下，直接查看日志

能够，看到日志中，Maxcompute（日志中打印原名ODPS）的信息中
partition分区，date_test=20170829,自动替换成功。
再看下实际的数据过去了没呢

咱们看到数据是过来了，成功自动建立了一个分区值。那么这个任务定时调度的时候，就会自动生成一个分区，天天自动的将RDS中的数据同步到Maxcompute中的按照日期建立的分区中。

二，若是用户的数据有不少运行日期以前的历史数据，怎么自动同步，自动分区呢。大数据开发套件-运维中心-有个补数据的功能。

首先，咱们须要在RDS端把历史数据按照日期筛选出来，好比历史数据2017-08-25这天的数据，我要让他自动同步到Maxcompute的20170825的分区中。
在RDS阶段能够设置where过滤条件，如图

在Maxcompute页面，仍是按照以前同样配置

而后必定要 保存-提交。
提交后到运维中心-任务管理-图形模式-补数据

选择日期区间

提交运行，这个时候就会同时生成多个同步的任务实例按顺序执行

看下运行的日志，能够看到运行过程对RDS数据的抽取，在Maxcompute自动建立的分区

看下运行结果，数据写入的状况，自动建立了分区，数据同步过来了。

三，若是用户数据量比较巨大，第一次全量的数据，或者并非按照日期分区，是按照省份等分区。那么此时数据集成就不能作到自动分区了。也就是说，想按照RDS中某个字段进行hash，相同的字段值自动放到Maxcompute中以这个字段对应值的分区中。
同步自己是作不了的，是在Maxcompute中经过SQL完成，是Maxcompute的特有功能，实际上也是真正的动态分区，你们能够参考文章
https://yq.aliyun.com/article...
。那么就须要咱们先把数据全量同步到Maxcompute的一个临时表。
流程以下
1,先建立一个SQL脚本节点-用来建立临时表

drop table if exists emp_test_new_temp;
CREATE TABLE emp_test_new_temp 
(date_time STRING,
    name STRING,
    age BIGINT,
    sal DOUBLE);

2,建立同步任务的节点，就是简单的同步任务，将RDS数据全量同步到Maxcompute，不须要设置分区。
3，使用sql进行动态分区到目的表

drop table if exists emp_test_new;
--建立一个ODPS分区表（最终目的表）
    CREATE TABLE emp_test_new (
    date_time STRING,
    name STRING,
    age BIGINT,
    sal DOUBLE
)
PARTITIONED BY (
    date_test STRING
);
--执行动态分区sql，按照临时表的字段date_time自动分区，date_time字段中相同的数据值，会按照这个数据值自动建立一个分区值
--例如date_time中有些数据是2017-08-25，会自动在ODPS分区表中建立一个分区，date=2017-08-25
--动态分区sql以下
--能够注意到sql中select的字段多写了一个date_time，就是指定按照这个字段自动建立分区
insert overwrite table emp_test_new partition(date_test)select date_time,name,age,sal,date_time from emp_test_new_temp
--导入完成后，能够把临时表删除，节约存储成本
drop table if exists emp_test_new_temp;

最后将三个节点配置成一个工做流，按顺序执行

执行过程，咱们重点观察，最后一个节点的动态分区过程

最后，看下数据

完成动态分区，自动化分区。是否是很神奇，相同的日期数据，到了同一个分区里。若是是以省份命名，也是如此，我本身都怕了。

大数据开发套件实际上能够完成绝大部分的自动化做业，尤为是数据同步迁移，调度等，界面化操做使得数据集成变得简单，不用苦逼的加班搞ETL了，你懂的。