使用EMR-Spark-Relational-Cache跨集群同步数据

背景

Relational Cache 是 EMR Spark 支持的一个重要特性，主要通过对数据进行预组织和预计算加速数据分析，提供了类似传统数据仓库物化视图的功能。除了用于提升数据处理速度，Relational Cache 还可以应用于其他很多场景，本文主要介绍如何使用 Relational Cache 跨集群同步数据表。
通过统一的 Data Lake 管理所有数据是许多公司追求的目标，但是在现实中，由于多个数据中心，不同网络 Region，甚至不同部门的存在，不可避免的会存在多个不同的大数据集群，不同集群的数据同步需求普遍存在，此外，集群迁移，搬站涉及到的新老数据同步也是一个常见的问题。数据同步的工作通常是一个比较痛苦的过程，迁移工具的开发，增量数据处理，读写的同步，后续的数据比对等等，需要很多的定制开发和人工介入。基于 Relational Cache，用户可以简化这部分的工作，以较小的代价实现跨集群的数据同步。
下面我们以具体示例展示如何通过 EMR Spark Relational Cache 实现跨集群的数据同步。

使用 Relational Cache 同步数据

假设我们有 A，B 两个集群，需要把 activity_log 表的数据从集群 A 同步到集群 B 中，且在整个过程中，会持续有新的数据插入到 activity_log 表中，A 集群中 activity_log 的建表语句如下：

CREATE TABLE activity_log (
  user_id STRING,
  act_type STRING,
  module_id INT,
  d_year INT)
USING JSON
PARTITIONED BY (d_year)

插入两条信息代表历史信息：

INSERT INTO TABLE activity_log PARTITION (d_year = 2017) VALUES("user_001", "NOTIFICATION", 10), ("user_101", "SCAN", 2)

为 activity_log 表建一个 Relational Cache：

CACHE TABLE activity_log_sync
REFRESH ON COMMIT
DISABLE REWRITE
USING JSON
PARTITIONED BY (d_year)
LOCATION "hdfs://192.168.1.36:9000/user/hive/data/activity_log"
AS SELECT user_id, act_type, module_id, d_year FROM activity_log

REFRESH ON COMMIT 表示当源表数据发生更新时，自动更新 cache 数据。通过 LOCATION 可以指定 cache 的数据的存储地址，我们把 cache 的地址指向 B 集群的 HDFS 从而实现数据从集群 A 到集群 B 的同步。此外 Cache 的字段和 Partition 信息均与源表保持一致。

在集群 B 中，我们也创建一个 activity_log 表，创建语句如下：

CREATE TABLE activity_log (
  user_id STRING,
  act_type STRING,
  module_id INT,
  d_year INT)
USING JSON
PARTITIONED BY (d_year)
LOCATION "hdfs:///user/hive/data/activity_log"

执行 MSCK REPAIR TABLE activity_log 自动修复相关 meta 信息，然后执行查询语句，可以看到在集群 B 中，已经能够查到之前集群 A 的表中插入的两条数据。

在集群 A 中继续插入新的数据：

INSERT INTO TABLE activity_log PARTITION (d_year = 2018) VALUES("user_011", "SUBCRIBE", 24);

然后在集群 B 中执行 MSCK REPAIR TABLE activity_log 并再次查询 activity_log 表，可以发现数据已经自动同步到集群 B 的 activity_log 表中，对于分区表，当有新的分区数据加入时，Relational Cache 可以增量的同步新的分区数据，而不是重新同步全部数据。

如果集群 A 中 activity_log 的新增数据不是通过 Spark 插入的，而是通过 Hive 或其他方式外部导入到 Hive 表中，用户可以通过 REFRESH TABLE activity_log_sync 语句手工或通过脚本触发同步数据，如果新增数据是按照分区批量导入，还可以通过类似 REFRESH TABLE activity_log_sync WITH TABLE activity_log PARTITION (d_year=2018) 语句增量同步分区数据。

Relational Cache 可以保证集群 A 和集群 B 中 activity_log 表的数据一致性，依赖 activity_log 表的下游任务或应用可以随时切换到集群 B，同时用户也可以随时将写入数据到集群 A 中 activity_log 表的应用或服务暂停，指向集群 B 中的 activity_log 表并重启服务，从而完成上层应用或服务的迁移。完成后清理集群 A 中的 activity_log 和 activity_log_sync 即可。

总结

本文介绍了如何通过 Relational Cache 在不同大数据集群的数据表之间同步数据，非常简单便捷。除此之外，Relational Cache 也可以应用到很多其他的场景中，比如构建秒级响应的 OLAP 平台，交互式的 BI，Dashboard 应用，加速 ETL 过程等等，之后我们也会和大家分享在更多场景中 Relational Cache 的最佳实践。

---

本文作者：开源大数据 EMR

阅读原文

本文为云栖社区原创内容，未经允许不得转载。