Hadoop查询延时 - 检索分析服务Elasticsearch版

当您基于Hadoop进行交互式大数据分析查询，遇到查询延迟的问题时，可以将数据同步至阿里云Elasticsearch中再进行查询分析。ES对于多种查询类型，特别是即席查询（Ad Hoc），基本可以达到秒级响应。本文介绍通过DataWorks的数据集成服务，快速将海量数据同步到阿里云ES中。

背景信息

DataWorks是一个基于大数据引擎，集成数据开发、任务调度、数据管理等功能的全链路大数据开发治理平台。您可以通过DataWorks的同步任务，快速的将各种数据源中的数据同步到阿里云ES。

支持同步的数据源包括：
- 阿里云云数据库（MySQL、PostgreSQL、SQL Server、MongoDB、HBase）
- 阿里云PolarDB-X（原DRDS升级版）
- 阿里云MaxCompute
- 阿里云OSS
- 阿里云Tablestore
- 自建HDFS、Oracle、FTP、DB2及以上数据库类型的自建版本
适用场景：
- 大数据离线同步到阿里云ES的场景，支持同步整个库或同步某个表中的全部数据。更多信息，请参见整库离线同步至Elasticsearch。
- 大数据在线实时同步到阿里云ES的场景，支持全量、增量一体化同步。更多信息，请参见一键实时同步至Elasticsearch。

前提条件

已创建阿里云ES实例，并开启实例的自动创建索引功能。具体操作，请参见创建阿里云Elasticsearch实例和配置YML参数。
说明
仅支持将数据同步到阿里云ES，不支持同步到自建Elasticsearch。
已创建DataWorks工作空间。具体操作，请参见创建工作空间。

说明

已存在Hadoop集群，且Hadoop集群中存在数据。
Hadoop集群、ES实例和DataWorks工作空间所在地域需保持一致。
Hadoop集群、ES实例和DataWorks工作空间需要在同一时区下，否则同步与时间相关的数据时，同步前后的数据可能存在时区差。

费用说明

ES实例费用，请参见ES计费项。
独享数据集成资源组费用，请参见独享数据集成资源组计费说明：包年包月。

操作步骤

步骤一：购买并创建独享资源组

购买一个数据集成独享资源组，并为该资源组绑定专有网络和工作空间。独享资源组可以保证数据快速、稳定地传输。

登录DataWorks控制台。
在顶部菜单栏选择相应地域后，在左侧导航栏单击资源组。
在独享资源组页签下，单击创建旧版集成资源组。
在DataWorks独享资源购买页面，独享资源类型选择独享数据集成资源，输入资源组名称，单击立即购买，购买独享资源组。
更多配置信息，请参见购买资源组。
在已创建的独享资源组的操作列，单击网络设置，为该独享资源组绑定专有网络。具体操作，请参见绑定专有网络。
说明
本文以独享数据集成资源组通过VPC内网同步数据为例。关于通过公网同步数据，请参见添加白名单。
独享资源需要与ES实例的专有网络连通才能同步数据。因此需要分别绑定Hadoop集群和ES实例所在的专有网络、可用区和交换机。查看ES实例所在的专有网络、可用区和交换机，请参见查看ES实例的基本信息。
重要
绑定专有网络后，您需要将专有网络的交换机网段加入到Hadoop集群、ES实例的VPC私网访问白名单中。具体操作，请参见配置ES实例公网或私网访问白名单。
在页面左上角，单击返回图标，返回资源组列表页面。
在已创建的独享资源组的操作列，单击绑定工作空间，为该独享资源组绑定目标工作空间。
具体操作，请参见绑定归属工作空间。

步骤二：添加数据源

进入DataWorks的数据集成页面。
1. 登录DataWorks控制台。
2. 在左侧导航栏，单击工作空间。
3. 在目标工作空间的操作列，选择快速进入 数据集成。
在左侧导航栏，单击数据源。
新增Hadoop数据源。
1. 在数据源列表页面，单击新增数据源。
2. 在新增数据源页面，搜索并选择HDFS。
3. 在新增HDFS数据源页面，配置数据源参数。
  配置详情，请参见配置HDFS数据源。
4. 单击测试连通性，连通状态显示为可连通时，表示连通成功。
5. 单击完成。
使用同样的方式添加Elasticsearch数据源。配置详情，请参见Elasticsearch数据源。

步骤三：配置并运行离线数据同步任务

数据离线同步任务将独享资源组作为一个可以执行任务的资源，独享资源组将获取数据集成服务中数据源的数据，并将数据写入ES。

说明

有两种方式可以配置离线同步任务，文本以向导模式配置离线同步任务为例。您也可以通过脚本模式配置离线同步任务，详情请参见通过脚本模式配置离线同步任务和Elasticsearch Writer。

进入DataWorks的数据开发页面。
1. 登录DataWorks控制台。
2. 在左侧导航栏，单击工作空间。
3. 在目标工作空间的操作列，选择快速进入 > 数据开发。
新建一个离线同步任务。
1. 在左侧导航栏，选择新建 > 新建业务流程，新建一个业务流程。
2. 右键单击新建的业务流程，选择新建节点 > 离线同步。
3. 在新建节点对话框中，输入节点名称，单击确认。
配置网络与资源
1. 在数据来源区域，数据来源选择HDFS，数据源名称选择待同步的数据源名称。
2. 在我的资源组区域，选择独享资源组。
3. 在数据去向区域，数据去向选择ES，数据源名称选择待同步的数据源名称。
单击下一步。
配置任务。
1. 在数据来源区域，选择待同步的表。
2. 在数据去向区域，配置数据去向的各参数。
3. 在字段映射区域中，设置来源字段与目标字段的映射关系。
4. 在通道控制区域，配置通道参数。
详细配置信息，请参见通过向导模式配置离线同步任务。
运行任务。
1. （可选）配置任务调度属性。在页面右侧，单击调度配置，按照需求配置相应的调度参数。各配置的详细说明请参见调度配置。
2. 在节点区域的左上角，单击保存图标，保存任务。
3. 在节点区域的左上角，单击提交图标，提交任务。
  如果您配置了任务调度属性，任务会定期自动执行。您还可以在节点区域的左上角，单击运行图标，立即运行任务。
  运行日志中出现Shell run successfully!表明任务运行成功。

步骤四：验证数据同步结果

登录目标阿里云ES实例的Kibana控制台。
具体操作，请参见登录Kibana控制台。
在左侧导航栏，单击Dev Tools（开发工具）。
在Console（控制台）中，执行如下命令查看同步的数据。
```
POST /hive_esdoc_good_sale/_search?pretty
{
"query": { "match_all": {}}
}
```
说明
hive_esdoc_good_sale为您在数据同步脚本中设置的index字段的值。
数据同步成功后，返回如下结果。