玩转阿里云EMR三部曲-高级篇 交互式查询及统一数据源

作者：邓力，entobit技术总监，八年大数据从业经历，由一代HADOOP入坑，深耕云计算应用领域，由从事亚马逊EMR和阿里云EMR应用开发逐步转入大数据架构领域，对大数据生态及框架应用有深刻理解。

引言

笔者近几年工作以架构为主，本系列文章旨在从系统架构层面提供一定参考和帮助。
本文默认阅读文章的小伙伴们有MR/SPARK等基础，文中不再重复介绍相关知识。

本文为玩转阿里云EMR系列最终篇，第一篇文章为基础介绍和样例实战，可以查看玩转阿里云EMR三部曲-入门篇，第二篇文章为集成自有服务于EMR，可以查看玩转阿里云EMR三部曲-集成篇

多样化的数据需求

随着数据越来越多，商务和运营同学们需求更多的数据开发和维护，但是研发同学忙于产品线，没有足够的资源可以持续满足日益增多的数据开发。

宝贵的硬盘空间

之前数据结果集中存放于自有的FTP服务器，磁盘空间越来越紧张，需要不停的增加硬盘，也会受到单节点磁盘性能的影响。

不统一的数据源

不同的业务线使用了不同的数据库，有一些类日志行为使用MONGODB，事务类使用了MYSQL，还有搜索服务等，不同的数据源极大增加了开发/维护的难度

寻找解决方案

目标

• 统一数据源
• 释放单点硬盘瓶颈
• 引入交互式类SQL查询

方案选型

1. 阿里云数据湖
2. 基于EMR定制
3. 自建加定制混合云

三种方案成熟，最终都能达到效果。不同的公司/组织架构会有差异化，以下是三种方案的侧重点

• 阿里云数据湖
  完美兼容阿里云生态下的各种服务，比如OSS,阿里云MYSQL版，阿里云MONGODB版,图形化界面
• 基于EMR定制
  完美兼容OSS，兼容自有MYSQL,MONGODB等，图形化界面(hue)
• 混合云
  自有IDC与阿里云结合

其中阿里云数据湖也可以兼容自有MYSQL/MONGODB服务等，只不过可能会因为版本不同有异常问题。

一点点建议：

• 首选阿里云数据湖
• 次选EMR定制
• 忽略成本问题可以参考混合云

团队控制成本非常严格，所以这次只能选用的是方案2-基于EMR定制

实现细节

1. 创建EMR包月集群，可以参考玩转阿里云EMR三部曲-入门篇
2. 等待集群创建成功，在EMR控制台界面修改HIVE参数 hive.execution.engine=tez，重启HIVE服务
   

3. 登陆MASTER并查看HUE服务是否正常，不正常重新启动HUE进程 参考命令(默认端口为8888)

   su hue
   /usr/lib/hue-current/build/env/bin/supervisor >/dev/null 2>&1 &

4. 绑定域名至阿里云ECSIP

5. 利用域名绑定ECS NGINX跳转MASTER端口开启公网HUE服务

   # nginx核心部分
   upstream hue {
       server ip:8888 max_fails=3 fail_timeout=20s;
   }
   
   server {
       listen 80;
       server_name HOSTNAME;
       location / {
           proxy_pass http://hue;
           proxy_redirect off;
           proxy_set_header Host $host;
           proxy_set_header X-Real-IP $remote_addr;
           proxy_set_header X-Scheme $scheme;
           proxy_set_header X-SSL-Protocol $ssl_protocol;
           proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
           proxy_set_header X-HTTPS-Protocol $ssl_protocol;
           proxy_set_header X-Forwarded-Proto $scheme;
           proxy_send_timeout 300;
           proxy_read_timeout 300;
       }
   }
   重启或者重载NGINX服务
   备注:
     - 这里可以设置IP黑白名单
     - 开启公网TEZUI可以类似设置
     - 如果实在没有域名可以在EMR安全组设置打开公网端口访问,不推荐

6. 登陆公网域名并访问HUE，其中域名为NGINX内配置加域名后缀，比如：hue.abcd.com。默认账号和密码可以在EMR控制台查看，这里涉及安全问题不予描述
   

7. 进入notebook工作台页面，在IDE内可以建表并查询如下：

   // 建测试表
   create external table a (
     c0 bigint,
     day string,
     name string,
     channel string
   )
   ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
   STORED AS TEXTFILE
   location 'oss://xxx:yyy@bucket.oss-cn-beijing-internal.aliyuncs.com/daily/test/'
   
   // 查询
   select * from a limit 10
   
   // 结果
   2018-04-19    2018-07-04    一代倾城逐浪花    youku
   2018-04-22    2018-09-02    丧尸屠城2    iqiyi
   2018-08-07    2018-08-08    前任攻略    letv
   2018-08-07    2018-08-08    复仇者联盟2：奥创纪元    letv
   2018-04-18    2018-09-02    外八门之雪域魔窟    iqiyi

8. 引入更多支持格式，统一数据源，添加JSON格式JAR包，MONGDODB驱动等等

   // 引入JSON文件支持，推荐JSONX
   // 下载JAR包
   wget "http://www.congiu.net/hive-json-serde/1.3.8/cdh5/json-serde-1.3.8-jar-with-dependencies.jar"
   // 拷贝至hive jar路径
   cp json-serde-1.3.8-jar-with-dependencies.jar /usr/lib/hive-current/lib/
   // 利用EMR控制台重启HIVE服务
   // 建立json表，注意key大小写映射
   CREATE EXTERNAL TABLE default.json_test (isOriginal BOOLEAN,`@timestamp` STRING,official_account STRING,down BIGINT,duration BIGINT)
   ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
   with serdeproperties ("mapping.isOriginal"="isOriginal")
   location 'oss://xxx:yyy@bucket.oss-cn-beijing-internal.aliyuncs.com/json/test/'

9. 查看正在执行的任务可以查看链接 http://hue.abcd.com/jobbrowser/ 或者通过TEZUI页面查看

更多思考

1. 包月集群任务优先级或者资源如何隔离：使用队列
2. 包月集群在某个时间段负载过高如何解决： 使用EMR弹性伸缩，可以更具CPU负载或者时间设定增加/缩减节点数量
3. 统计结果查询过慢如何解决：可以使用HUE打开IMPALA/PRESTO查询接口，使用新引擎接口可以更快查询
4. 运营报表维度太多，每次HIVE计算过慢，IMPALA有内存限制：可以采用预计算机制，提前计算中间表，更好的方案是SparkSQL，3.22版本支持RelationalCache，除此之外还有阿里云DRUID，但更适用于通用报表统计，adhoc需求推荐使用SparkSQL实现
5. 包月集群磁盘空间已满：善用OSS作为备份存储或者开启JINDOFS文件系统(强烈推荐)
6. 使用OSS作为存储，请使用external建立外表，否则drop会删除OSS数据

总结

利用阿里云EMR生态定制化集群，实现数据仓库满足商业/运营的查询需求，并提供横向扩展提升性能的空间，结合多样服务达到数据交互查询及统一数据源下的最佳成本控制。

欢迎对EMR及相关技术感兴趣的同学进钉钉群一起讨论 :)