使用MaxCompute连接访问Hologres开发实践

前言

MaxCompute（大数据计算服务）是阿里云Serverless、全托管、支持多种分析场景的云数据仓库服务，Hologres（交互式分析）是阿里云实时交互式分析产品。Hologres具备高并发地实时写入和查询数据的能力，同时支持数据不迁移高性能加速分析MaxCompute数据的能力、联邦分析Hologres实时数据与MaxCompute离线数据，实现离线实时一体化的数据仓库产品解决方案。很多客户使用MaxCompute和Hologres的集成方案同时满足大规模离线分析、实时运营分析、交互式查询及在线Serving等多业务场景。

在Hologres的产品官方文档也给出了"联邦分析实时数据和离线数据"的典型应用场景说明。如下图所示：

从MaxCompute和Hologres数据交互链路上看，包含2个部分：

• Hologres能够"直接读"MaxCompute：Hologres借助IMPORT FOREIGN SCHEMA语法批量创建MaxCompute外表，在Hologres侧并高性能加速分析保存在MaxCompute中的数据，例如，Hologres中可进行当日实时消费与MaxCompute中的近30天的消费数据对比分析；具体操作使用参见Hologres产品文档相关内容。
• MaxCompute能够"直接读"Hologres：当日实时数据进入Hologres中，在Hologres侧进行实时运营分析。到T+1时，MaxCompute的ETL逻辑、数据模型加工需要使用当日新增数据，此时Hologres的数据作为MaxCompute数仓的ODS层，MaxCompute无需数据导入，"直接读"取Hologres对应的数据表，完成增量+全量数据的模型加工。

本文将主要介绍在MaxCompute、Holgres的组合方案下，MaxCompute直读Hologres数据源的开发实践。

MaxCompute访问Hologres数据源包含以下2种手段：

• MaxCompute SQL以外部表方式访问Hologres数据源
• MaxCompute Spark以JDBC方式直接访问Hologres数据源

MaxCompute SQL外部表方式读写Hologres

详细内容参见MaxCompute产品文档-Hologres外部表部分，以下仅作简要介绍。

首先，在MaxCompute创建Hologres外部表。

在MaxCompute创建Hologres外部表时，您需要在建表DDL语句中指定StorageHandler，并配置JDBC驱动机制参数实现访问MC-Hologres数据源。建表语句定义如下：

create external table <table_name>(
  <col1_name> <data_type>,
  <col2_name> <data_type>,
  ......
)
stored by '<com.aliyun.odps.jdbc.JdbcStorageHandler>'
location '<jdbc:postgresql://<accessid>:<accesskey>@<endpoint>:<port>/<database>?currentSchema=<schema>&preferQueryMode=simple&table=<holo_table_name>/>' 
tblproperties (
  'mcfed.mapreduce.jdbc.driver.class'='org.postgresql.Driver', 
  'odps.federation.jdbc.target.db.type'='holo',
  ['odps.federation.jdbc.colmapping'='<col1:column1,col2:column2,col3:column3,...>']
);

示例如下：

create external table if not exists my_table_holo_jdbc
(
 id bigint,
 name string
)
stored by 'com.aliyun.odps.jdbc.JdbcStorageHandler' 
LOCATION 'jdbc:postgresql://LTAI4FzxmCwzb4BJqFce****:hKZMEFjdLe8ngRT5qp75UYufvT****@hgprecn-cn-oew210utf003-cn-hangzhou-internal.MC-Hologres.aliyuncs.com:80/mc_test?currentSchema=public&preferQueryMode=simple&useSSL=false&table=holo/'
TBLPROPERTIES (
  'mcfed.mapreduce.jdbc.driver.class'='org.postgresql.Driver',
  'odps.federation.jdbc.target.db.type'='holo',
  'odps.federation.jdbc.colmapping'='id:id,name:name'
);

创建的Hologres外部表将映射到指定的Hologres实例下db的某张表。

其次，创建完成后，使用MaxCompute SQL查询该外部表以获得Hologres表的数据。

命令示例如下：

--访问MC-Hologres外部表需要添加如下属性。
set odps.sql.split.hive.bridge=true;
set odps.sql.hive.compatible=true;
--查询MC-Hologres外部表数据。
select * from my_table_holo_jdbc limit 10;

MaxCompute SQL同时可以写入数据到Hologres外部表，实现将MaxCompute加工后的消费数据直接导入Hologres，借助Hologres高性能存储的分析引擎，获得最佳的分析体验。

--访问MC-Hologres外部表需要添加如下属性。
set odps.sql.split.hive.bridge=true;
set odps.sql.hive.compatible=true;
--向MC-Hologres外部表插入数据。
insert into my_table_holo_jdbc values (12,'alice');
--查询MC-Hologres外部表数据。
select * from my_table_holo_jdbc;

MaxCompute Spark使用JDBC连接访问Hologres

MaxCompute原生集成Apache Spark分析引擎，借助Spark不仅可以直接分析MaxCompute数据，MaxCompute Spark还可以使用JDBC方式连接Hologres数据源。习惯使用Spark的用户，可以在Spark代码中实现更灵活的业务逻辑。

笔者分别使用以下3种提交模式验证Spark如何访问Hologres。关于MaxCompute Spark支持的几种模式，具体请参考MaxCompute产品官方文档，本文不作展开。

本地(Local)提交模式

熟悉MaxCompute Spark的用户经常使用这个模式做本地测试，验证代码逻辑是否正确。本文主要是用于验证、跑通Spark的JDBC方式能够正常访问Hologres数据源。

样例代码（PySpark）：

spark=SparkSession \
    .builder \
    .appName("MC spark") \
    .getOrCreate()
jdbcDF=spark.read.format("jdbc"). \
options(
url='jdbc:postgresql://hgpostcn-cn-xxx-cn-shanghai.hologres.aliyuncs.com:80/test_holo',
dbtable='test',
user='xxx',# e.g.Access_idpassword='xxx', # e.g.Secret_keydriver='org.postgresql.Driver'). \
load()
jdbcDF.printSchema()

这里使用Spark的JDBC连接方式，通过postgresql驱动连接Hologres，访问test_holo数据库下的test表，打印出该表的schema信息。由于是本地测试，选择使用公网方式连接Hologres，其中url为hologres实例的公网访问域名。

使用spark-submit方式提交作业：

#本地Spark访问Holospark-submit --master local  --driver-class-path /drivers/postgresql-42.2.16.jar  --jars  /path/postgresql-42.2.16.jar   /path/read_holo.py

Postgresql的JDBC驱动可访问pg驱动官网下载。

提交后查看spark打印日志：

打印的test表的schema信息与Holo中创建的test表schema一致，访问成功。其他关于JDBC数据源表的数据处理可以参考Apache Spark文档，本文主要介绍如何打通访问，其他处理逻辑不再展开。

MaxCompute集群(yarn-cluster)提交模式

样例代码（PySpark）：

spark=SparkSession \
    .builder \
    .appName("MC spark") \
    .getOrCreate()
jdbcDF=spark.read.format("jdbc"). \
options(
url='jdbc:postgresql://hgpostcn-cn-xxx-cn-shanghai-internal.hologres.aliyuncs.com:80/test_holo',
dbtable='test',
user='xxx',# e.g.Access_idpassword='xxx', # e.g.Secret_keydriver='org.postgresql.Driver'). \
load()
jdbcDF.printSchema()

由于是集群提交模式，代码需要上传到MaxCompute云上集群运行，在集群中MaxCompute通过Hologres的经典网络域名以内网方式访问，这里不能使用公网地址。

配置MaxCompute Spark客户端（为MaxCompute适配进行了定制改造，相关介绍和下载，详见产品文档）spark-defaults.conf，增加spark.hadoop.odps.cupid.trusted.services.access.list参数项，添加需要访问的目标hologres实例的经典网络域名地址。增加该配置，主要是为了在MaxCompute安全运行沙箱环境中开启到对应Hologres实例的网络策略，否则MaxCompute集群默认无法访问外部服务。

# OdpsAccount Info Settingspark.hadoop.odps.project.name=your_maxc_projectspark.hadoop.odps.access.id=xxxspark.hadoop.odps.access.key=xxx# endpointspark.hadoop.odps.end.point=http://service.cn.maxcompute.aliyun.com/apispark.hadoop.odps.runtime.end.point=http://service.cn.maxcompute.aliyun-inc.com/api#Access holo instancespark.hadoop.odps.cupid.trusted.services.access.list=hgprecn-cn-xxx-cn-shanghai-internal.hologres.aliyuncs.com:80

使用spark-submit方式提交作业：

#本地Spark访问Holospark-submit --master yarn-cluster  --driver-class-path /drivers/postgresql-42.2.16.jar  --jars  /path/postgresql-42.2.16.jar   /path/read_holo.py

提交后查看spark打印日志，作业正常完成会打印作业的Logview以及Spark-UI的Job View链接地址，可供开发者进一步诊断作业。

查看MaxCompute作业信息Logview、Spark-UI的Job View，验证作业执行成功。

查看日志有无报错，同时打开logview链接，查看作业执行状态。

查看作业状态为Success，同时点击master-0下的worker的StdOut输出按钮。

这里是spark代码中jdbcDF.printSchema()的返回结果，与预期一致，验证完成。

MaxCompute Spark同时提供Spark web-ui进行作业诊断，打开日志中的job view链接地址即可访问。

点击driver的stdout按钮，可查看应用的打印输出是否符合业务预期：

DataWorks提交模式

更多的用户使用DataWorks作为MaxCompute作业调度系统，通过DataWorks使用者也能够很方便地提交Spark作业到MaxCompute中实现访问Hologres的逻辑。

第一步，登录阿里云控制台，进入dataworks指定的工作空间，进入项目对应的数据开发模块。

第二步，创建/调整业务流程

1.在业务流程中的MaxCompute节点下，上传postgresql jdbc jar文件，以便spark程序引用驱动。注意，这里要选择使用文件（File）资源类型。

2.在资源节点下，上传python代码。本文提交了pyspark代码用于测试。

3.在业务流程画布中选择odps spark节点并填写spark作业的参数信息

• 业务流程画布中选择MaxCompute引擎支持的ODPS Spark节点

• 双击画布中ODPS Spark节点图标，编辑该任务节点，填写任务信息

本文使用了pyspark，因此该节点选择python语言，同时在"选择主python资源"选项中，选择刚才上传的python文件资源。

其中在配置项中为该任务添加hologres目标地址的网络白名单，地址仍然使用Hologres实例的经典网络域名，如图所示：

配置项：spark.hadoop.odps.cupid.trusted.services.access.list

配置项取值：hgpostcn-cn-xxx-cn-shanghai-internal.hologres.aliyuncs.com:80

同时，在"选择file资源"选项中，选择刚才上传到资源中的postgres的驱动jar文件。

点击保存并提交。

4.在dataworks运行ODPS Spark节点任务进行验证

点击"运行节点"，在dataworks页面下方将打印作业日志，其中包含MaxCompute作业的诊断信息Logview链接地址。

查看日志有无报错，同时打开logview链接，查看作业执行状态。

查看作业状态为Success，同时点击master-0下的worker的StdOut输出按钮。

这里是spark代码中jdbcDF.printSchema()的返回结果，与预期一致，验证完成。