元数据发现

操作场景

当数据存储在OBS并行文件系统中，而在LakeFormation还未与对应的元数据关联时，可以通过元数据发现，来构造这些数据对应的元数据信息，从而支撑SQL引擎或者用户的应用程序的计算与分析。

当前元数据发现特性属于公测阶段，公测期产品完全免费，商业化后会根据元数据发现消耗资源收取资源费用。

前提条件

• 已参考任务授权开启授权。

• 已上传待检测的数据至OBS并行文件系统，即已从S3或HDFS将数据上传复制到LakeFormation实例所在Region的OBS并行文件系统的规划路径下。
• 元数据发现的目标Catalog、目标Database已规划和创建。

操作步骤

1. 登录管理控制台。
2. 在左上角单击“”，选择“大数据 > 湖仓构建 LakeFormation”进入LakeFormation控制台。
3. 在左侧下拉框中选择待操作的LakeFormation实例，在左侧导航栏选择“任务管理 > 元数据发现”。
4. 单击“创建发现任务”，配置相关参数后，单击“提交”。

   表1 创建发现任务

   参数	参数说明
   任务名称	填写待创建元数据发现任务名称。
   描述	所创建元数据发现任务的描述信息。
   数据存储位置	发现的元数据存储在OBS并行文件系统中的位置。 单击“”，选择位置后，单击“确定”。
   发现文件类型	选择所发现文件的类型。目前支持以下类型： 自动发现（包含Parquet、ORC、Json、Csv、Avro类型） Parquet ORC Json Csv（选择该类型，还需配置“分隔符”、“逃逸字符”、“引号字符”、“是否把第一行当做列名”等参数） Avro 说明： 如果数据存储位置下的文件后缀为同一类型，建议选择对应发现类型。 如果数据存储位置下的文件后缀为多种类型，建议选择“自动发现”。 如果数据存储位置下的文件不带后缀，建议选择对应类型。如果选择“自动发现”，则系统默认以Parquet类型文件进行发现，其他类型文件将会发现失败。
   日志存储位置	运行元数据发现任务时，产生的日志存储位置。单击选择路径。 该路径必须已在OBS中存在，如果为自定义路径将会导致发现任务失败。
   目标Catalog	待发现元数据所属Catalog名称。
   目标Database	待发现元数据所属数据库名称。
   冲突解决策略	元数据发现过程中，存在同名元数据时的解决策略。 创建并更新元数据 仅创建元数据
   默认缺省Owner	元数据发现任务执行后元数据的默认Owner。 如果选择的授权主体名称中带有中划线，此功能可能有失败风险。
   文件采样率	（可选）文件采样频率。 采样率为0时，遇到空文件会跳过当前分区表之后的所有分区。该方法减少操作时间，但是准确性会降低。
   重新发现策略	再次执行元数据发现时的发现策略。 全量发现：再次执行发现操作时，发现数据存储位置下的所有文件。 增量发现：再次执行发现操作时，发现上次任务（运行成功的）开始运行后，数据存储位置下新增的文件。
   执行策略	选择当前迁移任务的执行策略。 手动执行：手动触发执行迁移任务。 选择该方式后，需要在任务创建完成后，单击“操作”列的“运行”运行当前迁移任务。 调度执行：周期性自动执行迁移任务。 选择该方式后，可根据实际需要选择调度执行的周期（“每月”、“每周”、“每日”、“每小时”）并配置对应参数。
   主体类型	（可选）选择了主体后将默认为主体赋予数据存储位置的读权限。 可选择为“用户组”、“角色”、“用户”，并选择具体授权的主体。 如果选择的授权主体名称中带有中划线，此功能可能有失败风险。 如果需要对主体授予写权限，可勾选“赋予写权限”。
   事件通知策略	（可选）配置该选项后，发生特定事件（例如任务成功、任务失败等）后会发送通知（短信、邮件等）。 事件通知开关：开启后表示启用事件通知。 事件通知主题：选择需要通知的主题，可以在管理控制台选择“消息通知服务 SMN”进行配置。 事件：需要通知的主题状态，可选择“任务成功”、“任务失败”。

5. 创建完成后，单击“操作”列的“运行”即可运行当前迁移任务。
   • 单击“停止”即可停止正在运行的任务。
   • 单击“查看日志”可以查看任务运行产生的日志。

     默认显示最近的50行日志。

     可单击日志最下方超链接查看完整日志，具体配置请参考《对象存储服务3.0(OBS) 3.24.3h&s 使用指南(for 华为云Stack 8.3.1)》中《对象存储服务3.0(OBS) 3.24.3h&s 用户指南 (for 华为云Stack 8.3.1)》的“下载对象”章节。

   • 单击操作列的“编辑”或“删除”，可以修改或者删除当前任务。

6. 迁移任务运行完成后，可以进入“元数据 > 表”页面，在右上角“Catalog”和“数据库”后的下拉框中分别选择目标Catalog、目标Database的名称，查看已发现的数据表信息。