DataHub：创建同步MaxCompute

同步数据到MaxCompute

准备工作

1.创建MaxCompute表

DataHub支持将数据同步到MaxCompute对应的数据表中，同时支持分区表和非分区表，一般情况下推荐用户使用分区表进行数据同步以方便MaxCompute数据处理。

目前DataHub支持将TUPLE和BLOB的数据同步到MaxCompute数据表中。

1）针对TUPLE类型topic，MaxCompute目标表数据类型需要和DataHub数据类型相匹配，具体的数据类型映射关系如下：

由于目前DataHub并不能完全支持MaxCompute所有的数据类型，请用户尽量根据DataHub数据类型创建MaxCompute表结构。

2）针对BLOB数据类型，需要要求MaxCompute表结构仅需要包含一列STRING类型的column即可，DataHub默认会将数据同步到该column中。

3）同时为了方便数据追踪和问题排查，建议用户在创建MaxCompute表结构时，增加一列__rowkey__ STRING字段，DataHub会自动将DataHub对应数据的trace信息同步到该列中，以方便后续数据排查。

2.准备同步任务账号并授权

1）新建同步MaxCompute任务时，需要用户手动填写访问MaxCompute表的账号信息，请用户确保填入有效的账号信息（一般情况下采用MaxCompute子账号即可）。

2）需要给该账号授予访问MaxCompute表的响应权限，具体权限包括CreateInstance、Describe、Alter以及Update权限。

用户可以使用DataWorks管控台进行MaxCompute对应表的权限管理，参考MaxCompute高级配置，也可以选择使用MaxCompute的命令行工具进行授权，参考MaxCompute使用及授权管理。

3.确认TimestampUnit单位

1） Connector中TimestampUnit的作用，就是将数据中TIMESTAMP类型的数据（如果有），以TimestampUnit为单位进行转换后写入到下游系统的日期类型（如datetime类型）。

2）如果TIMESTAMP列写入的是以秒为单位的值，那新建Connector的时候TimestampUnit就选择“SECOND”；如果写入的是以毫秒为单位的值，那就选择“MILLISECOND”；如果写入的是以微秒为单位的值，那就选择“MICROSECOND”

注意事项

1. 由于MaxCompute目前的写入标准原因，分区数越多就会导致DataHub同步数据越慢。因此，在创建MaxCompute同步任务时，请尽可能的控制分区数，尤其是USER_DEFINE同步模式。

   • 同一分区的数据越连续越好，不要频繁的分区跳变。

   • 同步模式控制创建分区时，请不要创建过多的分区数。

创建同步任务

1. 依次进入项目列表/Project详情/Topic详情页面。

2. 点击右上角的 + 同步按钮进行同步任务创建。

1. 选择MaxCompute类型作业，如下图所示：

   1）TUPLE类型同步2）BLOB类型同步

部分配置说明：

下面罗列了部分管控台创建同步任务的配置说明，更多更灵活的操作请参考SDK使用。

1. 导入字段

   DataHub可以根据用户设置将部分column内容同步到MaxCompute表中。

2. 分区模式

   分区模式决定了将数据写入到MaxCompute哪个分区中，目前DataHub支持以下分区方式：

其中SYSTEM_TIME、EVENT_TIME和META_TIME均是根据时间Timestamp和时区配置来进行MaxCompute分区的转换过程，单位默认为微秒。

1. 分区配置决定了根据时间戳转换MaxCompute分区时的相关配置。目前管控台默认固定的MaxCompute分区格式，分区配置对应为

1. 分区间隔决定了根据时间戳转换MaxCompute分区时所采用的时间间隔。时间范围是15分钟 ~ 1440分钟（1天），跳变间隔15分钟。

2. 时区信息（TimeZone）时区信息决定了根据时间戳转换MaxCompute分区时所采用的转换时区。

3. 分隔符BLOB数据同步时，可以指定16进制分隔符来决定是否对BLOB数据分割后再同步MaxCompute，比如 0A表示\n（换行符）。

4. Base64编码DataHub BLOB默认存储二进制数据，而MaxCompute对应的同步列为STRING类型，因此管控台创建同步任务时，默认采用base64编码后进行同步，更多定制化需求请参考SDK实现。

查看同步任务

可以点击对应connector的详情页面查看同步任务的运行状态和点位等信息， 包含同步点位、同步状态以及重启和停止等操作，如下图所示：

同步示例

1. USER_DEFINE同步模式

1. 建立DataHub Topic

   备注： topic schema中必须需要包含MaxCompute分区字段，类型为STRING，如下图所示：

2. 向DataHub Topic写入数据，可以使用datahub-sdk进行数据写入

   测试过程中使用SDK写入几条条数据，其中[ds,hh,mm]分别为：[20210304,01,15]和[20210304,02,15]，数据内容如下所示：

3 建立同步任务

USER_DEFINE分区模式可以通过在同步中设置分区配置字段，如果MaxCompute没有对应的表，可自动创建。 这里导入字段中设置导入f1、f2字段，不同步f3字段。

4 确认同步数据

可以从DataHub管控台查看对应同步任务的同步信息。 查询MaxCompute数据结果，结果如下： 可以看到在USER_DEFINE模式下，DataHub会根据MaxCompute分组字段所对应的value将DataHub中的数据同步到对应的分区中。

2. SYSTEM_TIME同步模式

1. 建立DataHub Topic

   备注：由于分区是根据写入DataHub时间来计算的，因此topic schema只需包含数据字段，不需要包含分区字段，如下图所示：

1. 向DataHub Topic写入数据，可以使用datahub-sdk进行数据写入。

   测试过程中使用SDK写入几条数据，DataHub目前对应的写入时间为2021-03-04 14:02:45，数据内容如下所示：

2. 建立同步任务

   

   • 请注意分区配置需要和MaxCompute表分区一致。

4 确认同步数据

可以从DataHub管控台查看对应同步任务的同步信息，如DoneTime。 查询MaxCompute数据结果，结果如下： 可以看到在SYSTEM_TIME模式下，DataHub会根据数据写入DataHub的时间将DataHub中的数据同步到对应的分区中。

常见问题

• 同步到MaxCompute timestamp字段时间变为1970-01-19

  原因：DataHub同步MaxCompute默认时间戳单位为微秒，用户写入时间戳为毫秒解决方案：写入DataHub时间戳以微秒方式写入。