跳到主要内容
版本:v2.7

场景四:Hive数据同步到关系型数据库(例:Hive到SQLServer)

场景四:Hive数据同步到关系型数据库(Hive到SQL Server为例)​

一、核心流程​

  1. 创建数据源 & 目的地

  2. 任务设置

  3. 读取设置

  4. 写入设置

  5. 管理数据任务

二、创建数据源Hive​

  • 单个数据任务只允许选择一个数据库类型作为数据源
  • 新建数据源Hive,详情见:配置Hive数据源

三、创建数据目的地​

单个数据任务允许选择多个数据库作为数据目的地。

  • Hive数据源支持同步到所有已支持的数据目的地
  • 关系型数据库目前支持「MySQL」、「Oralce」、「SQL Server」、「 AnalyticDB for PostgreSQL」、「TiDB」作为数据目的地。
  • 具体可参见:配置数据目的地
  • 当存在已有数据目的地时,选择已经支持的目的地即可。

四、任务设置​

用户需要设置:重要任务设置、参与人、数据源设置、数据目的地设置、其他设置

重要任务设置​

  • 如该任务为重要数据任务,您可在任务设置页面设置重要任务星标。

参与人设置​

「参与人」拥有该任务的浏览和编辑权限,并且会在通知中心收到该数据任务的所有通知,包含:

  • 操作记录;
  • 数据任务错误信息;
  • 错误队列信息。
  • 数据源变化设置

数据源设置​

  • 设置当前任务读取端使用资源组,通过合理分配任务与资源组,可使重要任务计算资源得到保障。
  • 读取频率:定时读取
    • 定时设置:用户可以设置读取间隔时间,支持cron表达式。需要注意的地方:如果在用户设置的期间内没有完成读写操作,则系统会等到写入完成后才会开启下次读取。如果在用户设置的期间内完成了读写操作,则系统会按照用户设置的定时设置间隔开启下次读取。
    • 读取并发数量
      • 读取并发数量是指该任务从数据源中并行读取表的数量,默认为5。
      • 具体读取并发数量要根据数据源可接受请求量决定。
      • 详细策略:并发数量代表着并行读取表的数量,当表读取完毕时系统会释放掉该线程,其他的表可继续抢占该线程进程数据的读取。任务暂停后又重启所有的表会重新抢占线程,系统会按照断点续传的方式继续同步新增数据。
    • 读取速率限制:
      • 当用户设置读取速率限制,系统平均读取速率将不会超过该数值。
      • 可按流量或行数作为限制条件。
      • 用户能够不选、单选或多选,若同时勾选,两种限制将同时应用。
      • 勾选后即可激活对应的速率限制,请输入正整数;

数据源高级设置包含:

  • 传输队列最大缓存值
    • 任务开始读取数据后,单个任务默认缓存10GB数据(读写数据量差),用户可自定义。
    • 读写数据量差达到10GB(最大缓存值时),根据先进先出的原则,旧数据将会被回收。
    • 当任务数据读写速率失衡,读写数据量差大于10GB(最大缓存值)时,将会出现部分数据被回收,未能成功写入数据目的地的情况。
  • 传输队列回收时间
    • 任务开始读取数据后,单个任务默认缓存3天数据,用户可自定义。
    • 缓存数据达到回收时间,旧数据将会被回收。
    • 当任务数据读写速率失衡,超过回收时间的数据尚未被写入到目的地,将会出现部分数据被回收,未能成功写入数据目的地的情况。
  • 数据任务动态限速
    • 开启后该数据任务读写数据量差达到「最大缓存值」,任务将会暂停数据读取工作。当实际缓存数据量小于「最大缓存值」时会重新开始读取数据。
    • 可根据用户情况自定义「检查频率」
  • 读取端事务一致性
    • 用户「关闭」该选项,DataPipeline 从数据源读取数据后,将会立即写入到目的地。
    • 用户「开启」该选项,DataPipeline 从数据源读取数据后,系统定期记录读取的进度,数据对应的进度被成功记录了,才会被允许写入到目的地。以此来保证系统出现重启或者rebalance的情况时,根据系统明确的标记信息来保证目的地数据的一致性。

数据目的地设置​

  • 设置当前任务数据目的地使用资源组,通过合理分配任务与资源组,可使重要任务计算资源得到保障。
  • 写入并发数量
    • 基本逻辑与「读取并发数量」一致。写入并发数量是指该任务从数据源中并行写入表的数量,默认为5。
      • 具体写入并发数量要根据数据源可接受请求量决定。
  • 写入速率限制
    • 当用户设置写入速率限制,系统平均写入速率将不会超过该数值。
    • 可按流量或行数作为限制条件。
    • 用户能够不选、单选或多选,若同时勾选,两种限制将同时应用。
    • 勾选后即可激活对应的速率限制,请输入正整数;
  • 表和字段名称大小写
    • 支持用户设置目的地表名称和字段名称大小写
    • 选择【自定义】,任务执行后,系统会根据用户自定义的表和字段名称写入到目的地。
    • 选择【全部大写】,任务执行后,系统会将用户设置的所有表和字段名称转换为大写(只包含英文)后写入到目的地。
    • 选择【全部小写】,任务执行后,系统会将用户设置的所有表和字段名称转换为小写(只包含英文)后写入到目的地。
  • 数据目的地高级设置

其他设置​

详情见:错误队列设置
详情见:邮件通知设置

五、读取设置​

同步列表​

  • 读取列表显示该任务读取的表,点击任一表名称右侧显示该表的表结构。
  • 提供搜索功能,主要支持搜索表名称。
  • 点击「编辑」,可重新选择读取对象。
  • 提供「批量设置」功能,包括:批量移除读取对象,批量设置执行语句。

传输队列设置​

详情见:读取设置

读取分区设置​

  • 数据源表结构每一个表增加读取分区设置
  • 每个表结构下提供:「读取分区设置」区域。
  • 点击编辑读取条件,用户可以自定义读取分区。
  • 详情见:Hive数据源读取分区设置

六:写入设置​

写入列表​

  • 写入列表显示本次任务中,哪些数据源表会写入到该目的地。
  • 提供搜索功能,主要支持搜索表名称。
  • 点击「编辑」,可重新选择写入对象。
  • 提供「批量设置」功能,包括:
    • 批量移除读取对象。
    • 批量设置表名称(主要用于多表同结构数据往目的地一张表写入场景)。
      详情见:批量功能

目的地表结构设置​

  • 点击任一表名称右侧显示每个目的地表的映射关系(左侧是数据源表结构)。
    • 若数据目的地没有同名表,激活任务后DataPipeline会在目的地创建新表。
    • 若目的地已存在同名表,目的地表名称右侧会有提示。
      • 若该任务往已创建的同名表写入数据,会检查表结构是否一致。
        • 若表结构一致(只检查字段名,不检查字段类型和其他属性),则正常写入数据。
        • 若表结构不一致(少字段或多字段),则强制改为用户设置的表结构后再进行数据同步。
  • 关于高级清洗使用方法请见:设置清洗脚本
  • 目的地表结构用户可修改字段名称、类型、精度、标度、Not Null、主键等属性
    • 「同步」功能
      • 开启「同步」,任务激活后该字段数据会写入到目的地。
      • 关闭「同步」,目的地依然存在该字段,但不会同步该字段值,会传空。
    • 支持用户删除字段或添加字段,添加字段的值需要通过高级清洗指定逻辑。详见:设置清洗脚本
    • 高级设置:请见子任务设置

七、数据任务详情页​

「数据任务统计」​

  • 已读取数据量:
    • 指 DataPipeline 从数据源已读取的数据量。
    • 当 DataPipeline 系统重启,会根据断点续传机制从上一次读取记录点开始重新读取数据,重复读取的数据量不会记录到已读取数据量里。
    • 无主键的定时同步时全量替换数据,故每次定时读取全量数据,数据源没有更新的数据会再次读取。
  • 已处理数据量:
    • 指 DataPipeline 已处理的数据量,这里包括:同步到数据目的的数据量和进入到错误队列的数据量。
    • 当 DataPipeline 系统重启,会根据断点续传机制从上一个读取记录点开始重新写入部分数据,但这部分数据不会记录到已写入数据量里。
  • 错误队列:指已读取的数据中系统判断无法写入到数据目的地,而异步放到错误队列中的数据量。:
  • 读取速率:指DataPipeline从数据源读取数据的速率。
  • 处理速率:指DataPipeline处理数据的速率

「复制任务」​

详情见:复制任务

「错误队列」​

详情见:错误队列

「消息列表」​

详情见:消息列表