大数据workshop：《云数据·大计算：海量日志数据分析与应用》之《数据采集：日志数据上传》篇

实验背景介绍

2017云栖大会·成都峰会 TechInsight & Workshop.

本手册为云栖大会Workshop《云计算·大数据：海量日志数据分析与应用》的《数据采集：日志数据上传》篇而准备。主要为保障各位学员在workshop当天能够顺畅进行动手实操，那么本节为学员掌握阿里云数据采集的操作和使用。

实验涉及大数据产品

• 大数据计算服务
• 大数据开发套件

实验环境准备

必备条件：首先需要确保自己有阿里云云账号并已实名认证。详细点击：

开通大数据计算服务MaxCompute

若已经开通和购买了MaxCompute，请忽略次步骤直接进入创建Data IDE项目空间。

• step1：进入并点击右上角登录阿里云账号。
  
• step2：进入大数据计算服务产品详情页,点击立即开通。
  
• step3：选择按量付费并点击立即购买。
  

创建Data IDE项目空间

确保阿里云账号处于登录状态。

• step1：大数据（数加）管理控制台>大数据开发套件tab页面下。
• step2：点击创建项目，跳出创建项目对话框。
  
• step3：勾选付费方式为I/O后付费，填写项目名称及相关信息，点击确定，直至返回创建成功状态。
  

项目名需要字母或下划线开头，只能包含字母下划线和数字。

【注意】项目名称全局唯一，建议大家采用自己容易区分的名称来作为本次workshop的项目空间名称。

进入大数据开发套件

确保阿里云账号处于登录状态。

• step1：大数据开发套件项目列表。

• step2：点击已经创建的项目空间名称，进入大数据开发套件。

新建数据源

根据workshop模拟的场景，需要分别创建FTP数据源和RDS数据源。

1.新建FTP数据源

• step1：点击项目管理>数据源管理，继而点击新增数据源。

• step2：选择数据源类型ftp，同时Protocol选择为sftp，其他配置项如下。

FTP数据源配置信息如下：

• 数据源名称：ftp_workshop_log
• 数据源描述：ftp日志文件同步
• 数据源类型：ftp
• 网络类型：经典网络
• Protocol：sftp
• Host：10.161.147.251
• Port：22
• 用户名/密码：workshop/workshop
• step3：点击测试连通性，连通性测试通过后，点击确定保存配置。

2.新建RDS数据源

• step1：点击项目管理>数据源管理，继而点击新增数据源。

• step2：选择数据源类型为RDS>mysql并完成相关配置项。

RDS数据源配置信息如下：

• 数据源名称：rds_workshop_log
• 数据源描述：rds日志数据同步
• 数据源类型：RDS > Mysql
• RDS实例名称：rds955b606xk7e564006
• RDS实例购买者ID：1805651026304759
• 数据库名：workshop
• 用户名/密码：demo_001/demo_001
• step3：点击测试连通性，连通性测试通过后，点击确定保存配置。

创建目标表

• step1：点击数据开发，进入数据开发首页中点击新建脚本。

• step2：配置文件名称为create_table_ddl，类型选择为ODPS SQL，点击提交。

• step3：编写DDL创建表语句，如下分别创建FTP日志对应目标表和RDS对应目标表.

DDL语句如下：

--创建ftp日志对应目标表DROP TABLE IF EXISTS ods_raw_log_d;CREATE TABLE ods_raw_log_d (    col STRING)PARTITIONED BY (    dt STRING);--创建RDS对应目标表DROP TABLE IF EXISTS ods_user_info_d;CREATE TABLE ods_user_info_d (    uid STRING COMMENT '用户ID',    gender STRING COMMENT '性别',    age_range STRING COMMENT '年龄段',    zodiac STRING COMMENT '星座')PARTITIONED BY (    dt STRING);

• step3：点击运行，直至日志信息返回成功表示两张目标表创建成功。

• step4：可以使用desc语法来确认创建表是否成功。

• step5：点击保存，保存编写的SQL建表语句。

新建工作流任务

• step1：点击新建并选择新建任务。

• step2：选择工作流任务，调度类型选择为周期调度，其他配置项如下。

• step3：点击创建。
• step4：进入工作流配置面板，并向面板中拖入一个虚节点（命名为workshop_start）和两个数据同步节点（分别命名为ftp_数据同步和rds_数据同步）：

• step5：拖拽连线将workshop_start虚节点设置为两个数据同步节点的上游节点，如下所示：

• step6：点击保存（或直接快捷键ctrl+s）。

配置数据同步任务

1）配置ftp_数据同步节点

• step1：双击ftp_数据同步节点，进入节点配置界面。选择来源：并选择数据来源事先配置好的ftp数据源，为ftp_workshop_log，文件路径为/home/workshop/user_log.txt。可以对非压缩文件进行数据预览。

数据来源配置项具体说明如下：

• 数据来源：ftp_workshop_ftp
• 文件路径：/home/workshop/user_log.txt
• 列分隔符：|

• step2：选择目标。点击下一步。

数据流向选择数据源为odps_first，表名为ods_raw_log_d。分区信息和清理规则都采取系统默认，即清理规则为写入前清理已有数据，分区按照${bdp.system.bizdate}。

• step3：配置字段映射。连接要同步的字段。如下：

• step4：在下一步操作中配置通道控制，作业速率上限为10MB/s，进入下一步。

可在预览保存页面中，预览上述的配置情况，也可以进行修改，确认无误后，点击保存。

• step5：点击返回工作流面板。

2）配置rds_数据同步节点

• step1：双击rds_数据同步节点进入配置界面。选择来源：选择数据来源为rds_workshop_log，表名为ods_user_info_d；切分键为使用默认生成列即可。点击数据预览，可以看到表中数据样例。

• step2：进入下一步，选择目标数据源和表名。

• step3：进入下一步，配置字段映射。默认会同名映射，字段映射关系采用默认即可，如下所示：

• step4：进入下一步，配置作业速率上限。

• step5：在预览保存页面中确认配置信息，无误后点击保存配置。

提交工作流任务

• step1：点击提交，提交已经配置的工作流任务。

• step2：在变更节点列表弹出框中点击确定提交。

提交成功后工作流任务处于只读状态，如下：

测试运行工作流任务

• step1：点击测试运行。

• step2：在周期任务运行提醒弹出框点击确定。

• step3：在测试运行弹出框中，实例名称和业务日期都保持默认，点击运行。

• step4：在工作流任务测试运行弹出框中，点击前往运维中心。

在运维中心可以查看任务视图，如下图表示该工作流任务（名称为workshop_start）正在运行。

直至所有节点都运行返回成功状态即可（需要点击运维视窗中的刷新按钮查看实时状态）。如下所示：

• step5：右键查看节点运行日志，可以看到成功同步数据条数。

确认数据是否成功导入MaxCompute

• step1：返回到create_table_ddl脚本文件中。
• step2：编写并执行sql语句查看导入ods_raw_log_d记录数。

• step3：同样编写并执行sql语句查看导入ods_user_info_d记录数。

附录：SQL语句如下，其中分区键需要更新为业务日期，如测试运行任务的日期为20170328，那么业务日期为20170327.

---查看是否成功写入MaxComputeselect count(*) from ods_raw_log_d where dt=业务日期;select count(*) from ods_user_info_d where dt=业务日期;

《数据加工：用户画像》篇