阿里云大数据利器之-RDS迁移到Maxcompute实现动态分区

当前，很多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，做业务读写操作。当数据量非常大的时候，此时传统关系型数据库会显得有些吃力，那么会经常有将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/product/odps?spm=5176.doc27800.765261.309.dcjpg2)，利用其强大的存储和计算能力进行各种查询计算，结果再回流到RDS。

         一般情况下，业务数据是按日期来区分的，有的静态数据可能是按照区域或者地域来区分，在Maxcompute中数据可以按照分区来存放，可以简单理解为一份数据放在不同的子目录下，子目录的名称以日期来命名。那么在RDS数据迁移到Maxcompute上的过程中，很多用户希望可以自动的创建分区，动态的将RDS中的数据，比如按日期区分的数据存放到Maxcompute中，这个流程自动化创建。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中的数据定时每天同步到Maxcompute中，自动创建按天日期的分区。

这里就要用到大数据开发套件-数据集成的功能，我们采用界面化的配置。

如图地方，设置Maxcompute的分区格式

一般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，因为一般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

 

如果用户想使用当天任务运行的日期作为分区值，需要自定义这个参数，方法如图，也可以参考文档

https://help.aliyun.com/document_detail/30281.html?spm=5176.product30254.6.604.SDunjF

自定义的参数，格式非常灵活，日期是当天日期，用户可以自由选择哪一天，以及格式。

可供参考的变量参数配置方式如下：

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]。

默认情况下，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，然后按 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，然后按 yyyymmdd 的格式取年月日。

如图，配置完成后，我们来测试运行看下，直接查看日志

可以，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

我们看到数据是过来了，成功自动创建了一个分区值。那么这个任务定时调度的时候，就会自动生成一个分区，每天自动的将RDS中的数据同步到Maxcompute中的按照日期创建的分区中。

二，如果用户的数据有很多运行日期之前的历史数据，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，我们需要在RDS端把历史数据按照日期筛选出来，比如历史数据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阶段可以设置where过滤条件，如图

在Maxcompute页面，还是按照之前一样配置

然后一定要 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，可以看到运行过程对RDS数据的抽取，在Maxcompute自动创建的分区

看下运行结果，数据写入的情况，自动创建了分区，数据同步过来了。

三，如果用户数据量比较巨大，第一次全量的数据，或者并不是按照日期分区，是按照省份等分区。那么此时数据集成就不能做到自动分区了。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。

同步本身是做不了的，是在Maxcompute中通过SQL完成，是Maxcompute的特有功能，实际上也是真正的动态分区，大家可以参考文章

https://yq.aliyun.com/articles/81775?spm=5176.8091938.0.0.JMsroJ

。那么就需要我们先把数据全量同步到Maxcompute的一个临时表。

流程如下

1,先创建一个SQL脚本节点-用来创建临时表

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

2,创建同步任务的节点，就是简单的同步任务，将RDS数据全量同步到Maxcompute，不需要设置分区。

3，使用sql进行动态分区到目的表

 

 

drop table if exists emp_test_new;
--创建一个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创建一个分区值
--例如date_time中有些数据是2017-08-25，会自动在ODPS分区表中创建一个分区，date=2017-08-25
--动态分区sql如下
--可以注意到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创建分区
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，可以把临时表删除，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作流，按顺序执行

执行过程，我们重点观察，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。是不是很神奇，相同的日期数据，到了同一个分区里。如果是以省份命名，也是如此，我自己都怕了。

大数据开发套件实际上可以完成绝大部分的自动化作业，尤其是数据同步迁移，调度等，界面化操作使得数据集成变得简单，不用苦逼的加班搞ETL了，你懂的。