構建無伺服器數倉（二）Apache DolphinScheduler 集成以及 LOB 粒度資源消費分析

来源:https://www.cnblogs.com/DolphinScheduler/p/18186326
-Advertisement-
Play Games

引言 在數據驅動的世界中，企業正在尋求可靠且高性能的解決方案來管理其不斷增長的數據需求。本系列博客從一個重視數據安全和合規性的 B2C 金融科技客戶的角度來討論雲上雲下混合部署的情況下如何利用亞馬遜雲科技雲原生服務、開源社區產品以及第三方工具構建無伺服器數據倉庫的解耦方法。 Apache Dolph ...


引言

在數據驅動的世界中，企業正在尋求可靠且高性能的解決方案來管理其不斷增長的數據需求。本系列博客從一個重視數據安全和合規性的 B2C 金融科技客戶的角度來討論雲上雲下混合部署的情況下如何利用亞馬遜雲科技雲原生服務、開源社區產品以及第三方工具構建無伺服器數據倉庫的解耦方法。

file

Apache DolphinScheduler 是一種與 EMR Serverless 解耦部署的多功能工作流調度程式，可確保高效可靠的數據編排和處理。對於金融科技客戶，EMR Serverless 提供業務線（LOB）級別的精細資源消費分析，從而實現精確監控和成本優化。這一功能在金融領域尤其有價值。因為在該領域，運營敏捷性和成本效益至關重要。

本篇博客著重探討 Apache DolphinScheduler 與 EMR Serverless 的集成以及 LOB 粒度的資源消費分析方案。

架構設計圖

Apache DolphinScheduler 通常採用和 Hadoop 集群混合部署的方式部署。根據不同的調度工作負載的情況可以選擇在 Hadoop 集群中 HDFS 的多台 Data Node 上進行部署。本博客探討的數倉計算引擎 EMR Serverless 和 DolphinScheduler 是解耦部署的。在 3 個 EC2 實例上以集群模式部署 Apache DolphinScheduler 對 EMR Serverless 的 Job 進行編排。

DolphinScheduler 集群與其編排的 EMR 作業解耦部署，實現了整個系統的高可靠性：一個（EMR 作業或調度器）發生故障不會影響另一個（調度器或 EMR 作業）。

圖 1：解決方案系統架構圖

DS集成和作業編排

Apache DolphinScheduler 是現代數據編排平臺。以低代碼敏捷創建高性能工作流程。它還提供了強大的用戶界面，致力於解決數據管道中複雜的任務依賴關係，並提供開箱即用的各種類型的作業。Apache DolphinScheduler 由 WhaleOps 開發和維護，並以 WhaleStudio 的產品名稱上架亞馬遜雲科技 Market place。

Apache DolphinScheduler 原生集成 Hadoop。從下麵兩點可以具體看出：第一，DolphinScheduler 集群模式預設建議部署在 Hadoop 集群上（通常在數據節點上）；第二，上傳到 DolphinScheduler 資源管理器的 HQL 腳本預設存儲在 HDFS 上，並且可以通過本機 hive shell 命令直接編排，如下所示：

Hive -f example.sql

此外，對於這個具體案例，編排 DAG 相當複雜，每個 DAG 包含 300 多個作業。幾乎所有作業都是存儲在資源管理器中的 HQL 腳本。

因此，只有成功完成下麵列出的任務，才能實現 DolphinScheduler 和 EMR Serverless 之間的無縫集成。

步驟 1：將 DolphinScheduler 資源中心的存儲層從 HDFS 切換到 S3

分別編輯文件夾 /home/dolphinscheduler/dolphinscheduler/api-server/conf 和文件夾 /home/dolphinscheduler/dolphinscheduler/worker-server/conf 下的 common.properties 文件。文件中需要修改的部分如下所示：

#resource storage type: HDFS, S3, OSS, NONE
#resource.storage.type=NONE
resource.storage.type=S3
# resource store on HDFS/S3 path, resource file will store to this base path, self configuration, please make sure the directory exists on hdfs and have read write permissions. "/dolphinscheduler" is recommended
resource.storage.upload.base.path=/dolphinscheduler

# The AWS access key. if resource.storage.type=S3 or use EMR-Task, This configuration is required
resource.aws.access.key.id=AKIA************
# The AWS secret access key. if resource.storage.type=S3 or use EMR-Task, This configuration is required
resource.aws.secret.access.key=lAm8R2TQzt*************
# The AWS Region to use. if resource.storage.type=S3 or use EMR-Task, This configuration is required
resource.aws.region=us-east-1
# The name of the bucket. You need to create them by yourself. Otherwise, the system cannot start. All buckets in Amazon S3 share a single namespace; ensure the bucket is given a unique name.
resource.aws.s3.bucket.name=<target bucket name>
# You need to set this parameter when private cloud s3. If S3 uses public cloud, you only need to set resource.aws.region or set to the endpoint of a public cloud such as S3.cn-north-1.amazonaws.com.cn
resource.aws.s3.endpoint=s3.us-east-1.amazonaws.com

編輯並保存這兩個文件後，通過在文件夾路徑 /home/dolphinscheduler/dolphinscheduler/bin/ 下執行以下命令重新啟動 api-server 和 worker-server。

bash ./binstart-all.sh
bash ./bin/stop-all.sh
bash ./bin/status-all.sh

存儲層切換到 S3 是否成功可以通過 DolphinScheduler 資源中心控制臺上傳腳本來檢查，然後檢查是否可以在相關的 S3 桶文件夾中找到該文件。

步驟 2：確保通過 S3 直接上傳的作業腳本可以通過 DolphinScheduler 資源中心控制台找到並操作

完成第一步，可以實現從 DolphinScheduler 資源中心控制臺上傳腳本，並且這些腳本存儲在 S3 中。然而，在實戰中，客戶需要將所有腳本直接遷移到 S3。存儲在 S3 中的腳本應通過 DolphinScheduler 資源中心控制台查找和操作。為了實現這一點，需要通過插入所有腳本的元數據來進一步修改資源中心名為“t_ds_resources”的元數據表。插入命令如下：

insert into t_ds_resources values(4, '<target_script_name>', 'wordcount.java','',1,0,2100,'2023-11-13 10:46:44', '2023-10-31 10:46:44', 2, '<target_script_name>',0);
步驟 3：讓 DolphinScheduler DAG 編排器瞭解作業的狀態（FAILED/SUCCESS/SCHEDULED/PENDING），以便 DAG 能夠根據作業的具體狀態前進或採取相關操作

如上所述，DolphinScheduler 已與 Hadoop 生態系統原生集成，HQL 腳本可以由 DolphinScheduler DAG 編排器通過 Hive -f xxx.sql 命令編排。因此，當腳本改為 shell 腳本或 python 腳本時（EMR 無伺服器作業需要通過 shell 腳本或 python 腳本編排，而不是簡單的 Hive 命令），DAG 編排器可以啟動作業，但無法獲取實時數據作業的狀態，因此無法進一步執行工作流程。由於本例中的 DAG 非常複雜，因此修改 DAG 是不可行的，而是遵循直接遷移策略。

因此，編寫以下腳本來實現作業狀態捕獲和處理。

  • Application ID 列表持久化
var=$(cat applicationlist.txt|grep appid1)
applicationId=${var#* }
echo $applicationId

通過 linux shell 啟用 ds 步驟狀態自動檢查

app_state
{
  response2=$(aws emr-serverless get-application --application-id $applicationId)
  application=$(echo $response1 | jq -r '.application')
  state=$(echo $application | jq -r '.state')
  echo $state
}

job_state
{
  response4=$(aws emr-serverless get-job-run --application-id $applicationId --job-run-id $JOB_RUN_ID)
  jobRun=$(echo $response4 | jq -r '.jobRun')
  JOB_RUN_ID=$(echo $jobRun | jq -r '.jobRunId')
  JOB_STATE=$(echo $jobRun | jq -r '.state')
  echo $JOB_STATE
}

state=$(job_state)

while [ $state != "SUCCESS" ]; do
  case $state in
    RUNNING)
         state=$(job_state)
         ;;
    SCHEDULED)
         state=$(job_state)
         ;;
    PENDING)
         state=$(job_state)
         ;;
    FAILED)
         break
         ;;
   esac
done

if [ $state == "FAILED" ]
then
  false
else
  true
fi

DolphinScheduler 版本推薦

​實戰發現不是最高版本的DolphinScheduler是最好的，截止作者寫這篇文章，最高的版本是3.2.1，使用後面幾個版本會比較安全。

本案例分別測試了3.1.4、3.1.5 、3.1.8，其中3.1.4最穩定，僅供參考。

DolphinScheduler 安裝指南

針對 DolphinScheduler 的部署安裝已經有 blog 做了不錯的總結，這裡不再贅述。

LOB 粒度資源消費分析

如前所述，企業客戶，尤其是金融科技客戶，有建立內部清算結算機制的需求。 亞馬遜雲科技成本分配標記機制完美滿足了這一要求。所有實例，無論是配置的還是無伺服器的，都可以作為標簽附加。可以通過 Web 控制台或亞馬遜雲科技的 CLI 將標簽附加到實例。

標記後，您可以在亞馬遜雲科技賬單/成本分配標簽控制臺中激活標簽，如下圖所示。

圖 2 Cost Allocation Tags 在亞馬遜雲科技 Console 的顯示示意

激活標簽後，標簽的狀態立即更改為“Active”。需要註意的是，通過賬單和成本管理/成本瀏覽器控制台可視化標簽的財務數據幾乎需要一天的時間。

如圖 3 所示，在右側的 Tag 下拉框中選擇 CostCenter 之後，中間的柱狀圖顯示了打了 CostCenter 這個 Tag 的不同 Value 值的服務消費情況。這裡，Value 的值設計成需要瞭解資源消費的 LOB 的名稱即可實現在 LOB 粒度對資源消費情況進行統計以及可視化展現。

圖 3 在 Billing 和 Cost Management Console 上按 Cost Center 的 Tag 顯示資源消費情況

總結

Apache DolphinScheduler 作為大數據作業調度工具在華人開發者中非常流行。然而，其原生部署環境在 hadoop 上的現狀和亞馬遜雲科技持續創新的新一代 Serverless 架構的產品服務之間存在一些 gap。本文結合實戰總結了填補這些 gap 的方法，並探討了通過打 Tag 的方式實現 LOB 粒度資源消費數據統計及可視化的方法。

文章來源於網路：https://aws.amazon.com/cn/blogs/china/build-a-serverless-data-warehouse-in-a-hybrid-deployment-environment-part-two/

本文由 白鯨開源 提供發佈支持！


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • MySQL 8.0 Reference Manual（讀書筆記94節--Replication(5)）
    前言 我們先來說說什麼是持久化 持久化顧名思義就是數據長久保存，Redis為什麼需要持久化呢，好呆的問題，Redis數據是存儲在記憶體中的，記憶體數據的特點就是一旦重啟就什麼都沒了 我們將文件由記憶體中保存到硬碟中的這個過程，我們叫做數據保存，也就叫做持久化。但是把它保存下來不是你的目的，最終你還要把它再 ...
  • sql學習：終於把sql case語句使用講明白了，一看就懂
    作者 | 幸福it民工 來源 | 今日頭條 在資料庫查詢分析中，經常遇到case條件判斷，總結出來供大家參考，下麵通過兩個實例給大家講解。 case用途介紹: CASE是多條件分支語句，相比IF…ELSE語句，CASE語句進行分支流程式控制制可以使代碼更加晰，易於理解。CASE語句也根據表達式邏輯值的真 ...
  • 詳解Redis持久化（持久化高危漏洞利用與多種對抗方案、RDB、AOF、同步手動持久化、非同步手動非阻塞持久化、備份檢測、備份修複、壓縮原理、雙備份模式、純緩存模式）
    謹防持久化+未授權訪問漏洞入侵伺服器 CVE編號找不到，CNVD有一個：CNVD-2015-07557（國家信息安全漏洞共用平臺漏洞編號）。 這是我之前寫過的文章，漏洞成因、影響範圍、POC與對抗方案有詳解： 謹防利用Redis未授權訪問漏洞入侵伺服器 RDB（Redis Database、全量保存 ...
  • MySQL Join原理分析（緩衝塊嵌套與索引嵌套迴圈）
    場景假設 A表（1000條數據）left join B表（1000條數據）。 嵌套迴圈（Nested-Loop Join） 極簡概括：顧名思義多層迴圈疊加，由於MySQL條數數量有限，所用for迴圈而不用while，在MySQL中就是多層for迴圈。 性能問題：MySQL使用這種作為join方式最簡 ...
  • MySQL 8.0 Reference Manual（讀書筆記93節--Semisynchronous Replication）
    面試遇到過的Redis問題 Redis的數據類型 怎麼利用Redis解決超賣問題 緩存雪崩、緩存擊穿、緩存穿透 1. 什麼是Redis Redis就是一個非關係型資料庫（NoSQL），我們知道關係型資料庫MySQL，在MySQL里我們對於數據的增刪改查需要SQL語句（select * from... ...
  • 【YashanDB知識庫】ycm托管資料庫時，資料庫非OM安裝無法托管
    問題現象 ps -ef | grep yas 查看無yasom和yasagent進程，且在{資料庫安裝目錄}/om/{資料庫名稱}的目錄下沒有conf、data、log等目錄，確定資料庫不是用yasboot安裝，是用腳本安裝的 問題的風險及影響 非yasboot安裝，ycm無法完成托管，無法監控 問 ...
  • SQL 優化
    1. 插入數據 1.1 insert 如果我們需要一次性往資料庫表中插入多條記錄，可以從以下三個方面進行優化。 insert into tb_test values(1,'tom'); insert into tb_test values(2,'cat'); insert into tb_test ...
  • Agile PLM資料庫表結構(Oracle)
    剛進公司，任務是接管PLM系統，但是還在給外包團隊開發，沒有代碼。無妨先看業務和資料庫，ok，業務看不懂，只能先看資料庫，資料庫沒有數據字典，這個系統沒有任何文檔產出......練手時發現資料庫類型是Oracle，面對百度不成問題，數據字典只能看前端然後去資料庫裡面一個個找著對應自己整理了，純折磨 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類