数据湖探索简介

什么是数据湖探索

数据湖探索（Data Lake Insight，简称DLI）是完全兼容Apache Spark、Apache Flink、Trino生态，提供一站式的流处理、批处理、交互式分析的Serverless融合处理分析服务。用户不需要管理任何服务器，即开即用。

DLI支持标准SQL/Spark SQL/Flink SQL，支持多种接入方式，并兼容主流数据格式。数据无需复杂的抽取、转换、加载，使用SQL或程序就可以对云上CloudTable、RDS、DWS、CSS、OBS、ECS自建数据库以及线下数据库的异构数据进行探索。

功能介绍

DLI用户可以通过可视化界面、Restful API、JDBC、Beeline等多种接入方式对云上CloudTable、RDS和DWS等异构数据源进行查询分析，数据格式兼容CSV、JSON、Parquet和ORC主流数据格式。

• 三大基本功能
  • SQL作业支持SQL查询功能：可为用户提供标准的SQL语句。具体内容请参考《数据湖探索SQL语法参考》。
  • Flink作业支持Flink SQL在线分析功能：支持Window、Join等聚合函数、地理函数、CEP函数等，用SQL表达业务逻辑，简便快捷实现业务。具体内容请参考《数据湖探索SQL语法参考》。
  • Spark作业提供全托管式Spark计算特性：用户可通过交互式会话(session)和批处理(batch)方式提交计算任务，在全托管Spark队列上进行数据分析。具体内容请参考《数据湖探索API参考》。
• 多数据源分析：
  • Spark跨源连接：可通过DLI访问CloudTable，DWS，RDS和CSS等数据源。具体内容请参考《数据湖探索用户指南》。
  • Flink跨源支持与多种云服务连通，形成丰富的流生态圈。数据湖探索的流生态分为云服务生态和开源生态：
    • 云服务生态：数据湖探索在Flink SQL中支持与其他服务的连通。用户可以直接使用SQL从这些服务中读写数据。如DIS、OBS、CloudTable、MRS、RDS、SMN、DCS等。
    • 开源生态：通过增强型跨源连接建立与其他VPC的网络连接后，用户可以在数据湖探索的租户授权的队列中访问所有Flink和Spark支持的数据源与输出源，如Kafka、Hbase、ElasticSearch等。

    具体内容请参见《数据湖探索开发指南》。

• 存算分离

  用户将数据存储到OBS后，DLI可以直接和OBS对接进行数据分析。存算分离的架构下，使得存储资源和计算资源可以分开申请和计费，降低了成本并提高了资源利用率。

  存算分离场景下，DLI支持OBS在创建桶时数据冗余策略选择单AZ或者多AZ存储，两种存储策略区别如下：

  • 选择多AZ存储，数据将冗余存储至多个AZ中，可靠性更高。选择多AZ存储的桶，数据将存储在同一区域的多个不同AZ。当某个AZ不可用时，仍然能够从其他AZ正常访问数据，适用于对可靠性要求较高的数据存储场景。建议优选使用多AZ存储的策略。
  • 选择单AZ存储，数据仅存储在单个AZ中，但相比多AZ更加便宜。收费详情请参见OBS产品价格详情。
• 弹性资源池

  弹性资源池后端采用CCE集群的架构，支持异构，对资源进行统一的管理和调度。详细内容可以参考用户指南的弹性资源池。

  图1 弹性资源池架构图
  

  弹性资源池的优势主要体现在以下几个方面：

  • 统一资源管理
    • 统一管理内部多集群和调度作业，规模可以到百万核级别。
    • 多AZ部署，支持跨AZ高可用。
  • 租户资源隔离

    不同队列之间资源隔离，减少队列之间的相互影响。

  • 分时按需弹性
    • 分钟级别扩缩容，从容应对流量洪峰和资源诉求。
    • 支持分时设置队列优先级和配额，提高资源利用率。
  • 作业级资源隔离（暂未实现，后续版本支持）

    支持独立Spark实例运行SQL作业，减少作业间相互影响。

  • 自动弹性（暂未实现，后续版本支持）

    基于队列负载和优先级实时自动更新队列配额。

  弹性资源池解决方案主要解决了以下问题和挑战。

  维度	原有队列，无弹性资源池时	弹性资源池
  扩容时长	手工扩容时间长，扩容时长在分钟级别	不需要手工干预，秒级动态扩容。
  资源利用率	不同队列之间资源不能共享。 例如：队列1当前还剩余10CU资源，队列2当前负载高需要扩容时，队列2不能使用队列1中的资源，只能单独对队列1进行扩容。	添加到同一个弹性资源池的多个队列，CU资源可以共享，达到资源的合理利用。
  	配置跨源时，必须为每个队列分配不重合的网段，占用大量VPC网段。	多队列通过弹性资源池统一进行网段划分，减少跨源配置的复杂度。
  资源调配	多个队列同时扩容时不能设置优先级，在资源不够时，会导致部分队列扩容申请失败。	您可以根据当前业务波峰和波谷时间段，设置各队列在弹性资源池中的优先级，保证资源的合理调配。

• BI工具

  对接永洪BI：与永洪BI对接实现数据分析。具体内容请参考《数据湖探索开发指南》。

DLI核心引擎：Spark+Flink+Trino

• Spark是用于大规模数据处理的统一分析引擎，聚焦于查询计算分析。DLI在开源Spark基础上进行了大量的性能优化与服务化改造，不仅兼容Apache Spark生态和接口，性能较开源提升了2.5倍，在小时级即可实现EB级数据查询分析。
• Flink是一款分布式的计算引擎，可以用来做批处理，即处理静态的数据集、历史的数据集；也可以用来做流处理，即实时地处理一些实时数据流，实时地产生数据的结果。DLI在开源Flink基础上进行了特性增强和安全增强，提供了数据处理所必须的Stream SQL特性。
• Trino（原PrestoSQL）是提供交互式查询分析能力的开源分布式SQL查询引擎，具备高性能、低延迟的查询处理能力，支持在大规模数据存储中进行数据查询和分析。

DLI服务架构：Serverless

DLI是无服务器化的大数据查询分析服务，其优势在于：

• 按量计费：真正的按使用量（扫描量/CU时）计费，不运行作业时0费用。
• 自动扩缩容：根据业务负载，对计算资源进行预估和自动扩缩容。

如何访问DLI

云服务平台提供了Web化的服务管理平台，既可以通过管理控制台和基于HTTPS请求的API（Application programming interface）管理方式来访问DLI，又可以通过JDBC客户端连接DLI服务端。

• 管理控制台方式

  提交SQL作业、Spark作业或Flink作业，均可以使用管理控制台方式访问DLI服务。

  登录管理控制台，从主页选择“EI企业智能”>“EI大数据”>“数据湖探索”。

• API方式

  如果用户需要将云平台上的DLI服务集成到第三方系统，用于二次开发，可以使用API方式访问DLI服务。

  具体操作请参见《数据湖探索API参考》。

• JDBC

  DLI支持使用JDBC连接服务端进行数据查询操作。具体内容请参考《数据湖探索开发指南》。

• Spark-submit

  DLI支持通过Spark-submit提交作业。具体内容请参考《数据湖探索开发指南》。

• 数据治理中心DataArts Studio

  数据治理中心DataArts Studio具有数据全生命周期管理、智能数据管理能力的一站式治理运营平台，支持行业知识库智能化建设，支持大数据存储、大数据计算分析引擎等数据底座，帮助企业快速构建从数据接入到数据分析的端到端智能数据系统，消除数据孤岛，统一数据标准，加快数据变现，实现数字化转型。

  在DataArts Studio管理中心控制台创建数据连接即可访问DLI，进行数据分析。关于DataArts Studio的操作指导请参考《数据治理中心产品文档》。