文档首页> 数据治理中心 DataArts Studio> 最佳实践> 基于MRS Hive表构建图数据并自动导入GES> 创建数据集成作业
更新时间：2024-04-29 GMT+08:00
查看PDF

创建数据集成作业

本章节将介绍如何创建DataArts Studio数据集成作业。

本例中，需要创建如下三类集成作业：

  1. OBS到MySQL迁移作业：为方便演示，需要将OBS中的CSV格式的样例数据导入到MySQL数据库中。
  2. MySQL到OBS迁移作业：正式业务流程中，需要将MySQL中的原始样例数据需要导入OBS中，并标准化为点数据集和边数据集。
  3. MySQL到MRS Hive迁移作业：正式业务流程中，需要将MySQL中的原始样例数据需要导入MRS Hive中，并标准化为点数据集和边数据集。

创建集群

批量数据迁移集群提供数据上云和数据入湖的集成能力，全向导式配置和管理，支持单表、整库、增量、周期性数据集成。DataArts Studio基础包中已经包含一个数据集成的集群，如果无法满足业务需求，在购买DataArts Studio基础包实例后，您可以根据实际需求购买批量数据迁移增量包。

购买数据集成增量包的具体操作请参考购买DataArts Studio增量包章节。

新建数据集成连接

  1. 登录DataArts Studio控制台。选择实例，单击“进入控制台”，选择对应工作空间的“数据集成”模块，进入数据集成页面。

    图1 选择数据集成

  2. 在左侧导航栏中单击“集群管理”进入“集群管理”页面。然后，在集群列表中找到所需要的集群，单击“作业管理”。

    图2 集群管理

  3. 进入作业管理后，选择“连接管理”。

    图3 连接管理

  4. 创建集成任务所需的OBS连接、云数据库MySQL连接和MRS Hive连接。

    单击“新建连接”，进入相应页面后，选择连接器类型“对象存储服务（OBS）”，单击“下一步”，然后如下图所示配置连接参数，单击“保存”。
    图4 创建OBS连接
    表1 OBS连接的参数

    参数名

    说明

    取值样例

    名称

    连接的名称，根据连接的数据源类型，用户可自定义便于记忆、区分的连接名。

    obs_link

    OBS终端节点

    终端节点（Endpoint）即调用API的请求地址，不同服务不同区域的终端节点不同。您可以通过以下方式获取OBS桶的Endpoint信息：

    OBS桶的Endpoint，可以进入OBS控制台概览页，单击桶名称后查看桶的基本信息获取。

    说明：
    • CDM集群和OBS桶不在同一个Region时，不支持跨Region访问OBS桶。
    • 作业运行中禁止修改密码或者更换用户。在作业运行过程中修改密码或者更换用户，密码不会立即生效且作业会运行失败。

    -

    端口

    数据传输协议端口，https是443，http是80。

    443

    OBS桶类型

    用户下拉选择即可，一般选择为“对象存储”。

    对象存储

    访问标识(AK)

    AK和SK分别为登录OBS服务器的访问标识与密钥。

    您需要先创建当前账号的访问密钥，并获得对应的AK和SK。

    您可以通过如下方式获取访问密钥。
    1. 登录控制台，在用户名下拉列表中选择“我的凭证”。
    2. 进入“我的凭证”页面，选择“访问密钥 > 新增访问密钥”，如图5所示。
      图5 单击新增访问密钥
    3. 单击“确定”，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为“credentials.csv”的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。
      说明：
      • 每个用户仅允许新增两个访问密钥。
      • 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。

    -

    密钥(SK)

    -
    在“连接管理”页面，再次单击“新建连接”，进入相应页面后，选择连接器类型为“云数据库 MySQL”，单击“下一步”，然后如下图所示配置连接参数，单击“保存”。
    图6 创建MySQL连接
    表2 MySQL连接参数

    参数名

    说明

    取值样例

    名称

    输入便于记忆和区分的连接名称。

    mysqllink

    数据库服务器

    MySQL数据库的IP地址或域名。

    -

    端口

    MySQL数据库的端口。

    3306

    数据库名称

    MySQL数据库的名称。

    sqoop

    用户名

    拥有MySQL数据库的读、写和删除权限的用户。

    admin

    密码

    用户的密码。

    -

    使用本地API

    使用数据库本地API加速（系统会尝试启用MySQL数据库的local_infile系统变量）。

    是

    使用Agent

    是否选择通过Agent从源端提取数据。

    否

    local_infile字符集

    MySQL通过local_infile导入数据时，可配置编码格式。

    utf8

    驱动版本

    CDM连接关系数据库前，需要先上传所需关系数据库的JDK8版本.jar格式驱动。MySQL的驱动请从https://downloads.mysql.com/archives/c-j/选择5.1.48版本下载，从中获取mysql-connector-java-5.1.48.jar，然后进行上传。

    -
    在“连接管理”页面，再次单击“新建连接”，进入相应页面后，选择连接器类型为“MRS Hive”，单击“下一步”，然后如下图所示配置连接参数，单击“保存”。
    图7 创建MRS Hive连接
    表3 MRS Hive连接参数

    参数名

    说明

    取值样例

    名称

    连接的名称，根据连接的数据源类型，用户可自定义便于记忆、区分的连接名。

    hivelink

    Manager IP

    MRS Manager的浮动IP地址，可以单击输入框后的“选择”来选定已创建的MRS集群，CDM会自动填充下面的鉴权参数。

    127.0.0.1

    认证类型
    访问MRS的认证类型：
    • SIMPLE：非安全模式选择Simple鉴权。
    • KERBEROS：安全模式选择Kerberos鉴权。

    SIMPLE

    Hive版本

    Hive的版本。根据服务端Hive版本设置。

    HIVE_3_X

    用户名

    选择KERBEROS鉴权时，需要配置MRS Manager的用户名和密码。从HDFS导出目录时，如果需要创建快照，这里配置的用户需要HDFS系统的管理员权限。

    如果要创建MRS安全集群的数据连接，不能使用admin用户。因为admin用户是默认的管理页面用户，这个用户无法作为安全集群的认证用户来使用。您可以创建一个新的MRS用户，然后在创建MRS数据连接时，“用户名”和“密码”填写为新建的MRS用户及其密码。
    说明：
    • 如果CDM集群为2.9.0版本及之后版本，且MRS集群为3.1.0及之后版本，则所创建的用户至少需具备Manager_viewer的角色权限才能在CDM创建连接；如果需要对MRS组件的库、表、列进行操作，还需要参考MRS文档添加对应组件的库、表、列操作权限。
    • 如果CDM集群为2.9.0之前的版本，或MRS集群为3.1.0之前的版本，则所创建的用户需要具备Manager_administrator或System_administrator权限，才能在CDM创建连接。
    • 仅具备Manager_tenant或Manager_auditor权限，无法创建连接。

    cdm

    密码

    访问MRS Manager的用户密码。

    -

    开启LDAP认证

    通过代理连接的时候，此项可配置。

    当MRS Hive对接外部LDAP开启了LDAP认证时，连接Hive时需要使用LDAP账号与密码进行认证，此时必须开启此参数，否则会连接失败。

    否

    LDAP用户名

    当“开启LDAP”参数选择为“是”时，此参数是必选项。

    填写为MRS Hive开启LDAP认证时配置的用户名。

    -

    LDAP密码

    当“开启LDAP”参数选择为“是”时，此参数是必选项。

    填写为MRS Hive开启LDAP认证时配置的密码。

    -

    OBS支持

    需服务端支持OBS存储。在创建Hive表时，您可以指定将表存储在OBS中。

    否

    访问标识(AK)

    当“OBS支持”参数选择为“是”时，此参数是必选项。请注意，此处AK/SK对应的账号应具备OBS Buckets Viewer系统权限，否则会无法访问OBS并报“403 AccessDenied”错误。

    您需要先创建当前账号的访问密钥，并获得对应的AK和SK。

    1. 登录控制台，在用户名下拉列表中选择“我的凭证”。
    2. 进入“我的凭证”页面，选择“访问密钥 > 新增访问密钥”，如图8所示。
      图8 单击新增访问密钥
    3. 单击“确定”，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为“credentials.csv”的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。
      说明：
      • 每个用户仅允许新增两个访问密钥。
      • 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。

    -

    密钥(SK)

    -

    运行模式
    “HIVE_3_X”版本支持该参数。支持以下模式：
    • EMBEDDED：连接实例与CDM运行在一起，该模式性能较好。
    • STANDALONE：连接实例运行在独立进程。如果CDM需要对接多个Hadoop数据源（MRS、Hadoop或CloudTable），并且既有KERBEROS认证模式又有SIMPLE认证模式，只能使用STANDALONE模式。
      说明：

      STANDALONE模式主要是用来解决版本冲突问题的运行模式。当同一种数据连接的源端或者目的端连接器的版本不一致时，存在jar包冲突的情况，这时需要将源端或目的端放在STANDALONE进程里，防止冲突导致迁移失败。

    EMBEDDED

    检查Hive JDBC连通性

    是否需要测试Hive JDBC连通。

    否

    是否使用集群配置

    您可以通过使用集群配置，简化Hadoop连接参数配置。

    否

    集群配置名

    仅当“是否使用集群配置”为“是”时，此参数有效。此参数用于选择用户已经创建好的集群配置。

    集群配置的创建方法请参见管理集群配置。

    hive_01

新建OBS到MySQL迁移作业

为方便演示，需要将OBS中的CSV格式的样例数据导入到MySQL数据库中。

  1. 在DataArts Studio数据集成控制台，进入“集群管理”页面，在集群列表中找到所需要的集群，单击“作业管理”。
  2. 在“作业管理”页面，单击“表/文件迁移”，再单击“新建作业”。

    图9 表/文件迁移

  3. 按照如下步骤将数据源准备中的4张原始数据表，依次从OBS迁移到MySQL数据库中。

    1. 配置作业vertex_user_obs2rds。
      源端的“源目录或文件”选择在数据源准备中上传到OBS的vertex_user.csv，由于表中有中文字符还需额外配置高级属性“编码类型”为“GBK”。目的端的“表名”选择在创建MySQL原始数据表中创建的vertex_user表。然后单击“下一步”。
      图10 vertex_user_obs2rds作业配置

    2. 在字段映射中，检查字段映射顺序是否正确。如果字段映射顺序正确，单击下一步即可。
      图11 vertex_user_obs2rds字段映射

    3. 任务配置无需修改，直接保存并运行即可。
      图12 任务配置

  4. 等待作业运行完成后，如果作业成功，则vertex_user表已成功迁移到MySQL数据库中。

    图13 vertex_user_obs2rds作业运行成功

  5. 参考2到4，完成vertex_movie_obs2rds、edge_friends_obs2rds和edge_rate_obs2rds作业的创建，将4张原始表从OBS迁移到MySQL中。

新建MySQL到OBS迁移作业

正式业务流程中，需要将MySQL中的原始样例数据需要导入OBS中，并标准化为点数据集和边数据集。

  1. 在DataArts Studio数据集成控制台，进入“集群管理”页面，在集群列表中找到所需要的集群，单击“作业管理”。
  2. 在“作业管理”页面，单击“表/文件迁移”，再单击“新建作业”。

    图14 表/文件迁移

  3. 按照如下步骤将MySQL中的4张原始数据表，依次迁移到OBS桶中。

    1. 配置作业vertex_user_rds2obs。

      源端的“表名”选择在新建OBS到MySQL迁移作业中迁移到MySQL的vertex_user。目的端的“写入目录”注意选择非原始数据所在目录以避免文件覆盖，“文件格式”按照GES图导入格式要求设置为“CSV格式”，由于表中有中文字符还需额外配置高级属性“编码类型”为“GBK”。

      注意：目的端高级属性需要额外配置“自定义文件名”，取值为“${tableName}”。如果不配置，则迁移到OBS的CSV文件名会带上时间戳等额外字段，导致每次运行迁移作业获取的文件名不一致，无法每次迁移后自动导入GES图数据。

      其他高级属性无需配置，单击“下一步”。
      图15 vertex_user_rds2obs作业基础配置

      图16 vertex_user_rds2obs作业高级配置

    2. 在字段映射中，根据GES图数据的要求，此处需要新增字段label，作为图文件的标签。
      • vertex_user：label取值为user，并将此字段调整至第2列。
      • vertex_movie：label取值为movie，并将此字段调整至第2列。
      • edge_friends：label取值为friends，并将此字段调整至第3列。
      • edge_rate：label取值为rate，并将此字段调整至第3列。

      将原始数据结构根据GES图导入的要求标准化。则点表vertex_user和vertex_movie需要在第二列补充标签label，边表edge_rate和edge_friends需要在第三列补充标签label。

      点数据集和边数据集应符合GES图数据格式要求。图数据格式要求简要介绍如下，详情可参见一般图数据格式。
      • 点数据集罗列了各个点的数据信息。一行为一个点的数据。格式如下所示，id是点数据的唯一标识。
        id,label,property 1,property 2,property 3,…
      • 边数据集罗列了各个边的数据信息，一行为一条边的数据。GES中图规格是以边的数量进行定义的，如一百万边。格式如下所示，id 1、id 2是一条边的两个端点的id。
        id 1, id 2, label, property 1, property 2, …
      图17 vertex_user_rds2obs新增字段映射

    3. 调整字段顺序，点数据集将label调整至第2列，边数据集将label调整至第3列。调整完成后如图19所示，然后单击下一步。
      图18 vertex_user_rds2obs调整字段顺序

      图19 vertex_user_rds2obs字段映射

    4. 任务配置无需修改，直接保存并运行即可。
      图20 任务配置

  4. 等待作业运行完成后，如果作业成功，则vertex_user.csv表已成功写入到OBS桶中。

    图21 vertex_user_rds2obs作业运行成功

  5. 参考2到4，完成vertex_movie_rds2obs、edge_friends_rds2obs和edge_rate_rds2obs作业的创建，将4张原始表从MySQL标准化到OBS桶中。

新建MySQL到MRS Hive迁移作业

正式业务流程中，需要将MySQL中的原始样例数据需要导入MRS Hive中，并标准化为点数据集和边数据集。

  1. 在DataArts Studio数据集成控制台，进入“集群管理”页面，在集群列表中找到所需要的集群，单击“作业管理”。
  2. 在“作业管理”页面，单击“表/文件迁移”，再单击“新建作业”。

    图22 表/文件迁移

  3. 按照如下步骤将MySQL中的4张原始数据表，依次迁移到MRS Hive中。

    1. 配置作业vertex_user_rds2hive。

      源端的“表名”选择在新建OBS到MySQL迁移作业中迁移到MySQL的vertex_user，目的端的“表名”选择在创建MRS Hive标准数据表中创建的vertex_user表。其他参数配置如图所示，无需配置高级属性，然后单击“下一步”。

      图23 vertex_user_rds2hive作业基础配置

    2. 在字段映射中，根据GES图数据的要求，此处需要新增字段label，作为图文件的标签。
      • vertex_user：label取值为user，并将此字段调整至第2列。
      • vertex_movie：label取值为movie，并将此字段调整至第2列。
      • edge_friends：label取值为friends，并将此字段调整至第3列。
      • edge_rate：label取值为rate，并将此字段调整至第3列。

      将原始数据结构根据GES图导入的要求标准化。则点表vertex_user和vertex_movie需要在第二列补充标签label，边表edge_rate和edge_friends需要在第三列补充标签label。

      点数据集和边数据集应符合GES图数据格式要求。图数据格式要求简要介绍如下，详情可参见一般图数据格式。
      • 点数据集罗列了各个点的数据信息。一行为一个点的数据。格式如下所示，id是点数据的唯一标识。
        id,label,property 1,property 2,property 3,…
      • 边数据集罗列了各个边的数据信息，一行为一条边的数据。GES中图规格是以边的数量进行定义的，如一百万边。格式如下所示，id 1、id 2是一条边的两个端点的id。
        id 1, id 2, label, property 1, property 2, …
      图24 vertex_user_rds2hive新增字段映射

    3. 调整字段顺序，点文件中将label调整至第2列，边文件将label调整至第3列。调整完成后如图26所示，然后单击下一步。
      图25 vertex_user_rds2hive调整字段顺序

      图26 vertex_user_rds2hive字段映射

    4. 任务配置无需修改，直接保存并运行即可。
      图27 任务配置

  4. 等待作业运行完成后，如果作业成功，则vertex_user表已成功迁移到MRS Hive中。

    图28 vertex_user_rds2hive作业运行成功

  5. 参考2到4，完成vertex_movie_rds2hive、edge_friends_rds2hive和edge_rate_rds2hive作业的创建，将4张原始表从MySQL标准化到MRS Hive中。