離線批量數據通道Tunnel的最佳實踐及常見問題

基本介紹及應用場景

Tunnel是MaxCompute提供的離線批量數據通道服務，主要提供大批量離線數據上傳和下載，
僅提供每次批量大於等於64MB數據的場景，小批量流式數據場景請使用DataHub實時數據通道以得到更好的性能和體驗。

SDK上傳最佳實踐

import java.io.IOException;
import java.util.Date;

import com.aliyun.odps.Column;
import com.aliyun.odps.Odps;
import com.aliyun.odps.PartitionSpec;
import com.aliyun.odps.TableSchema;
import com.aliyun.odps.account.Account;
import com.aliyun.odps.account.AliyunAccount;
import com.aliyun.odps.data.Record;
import com.aliyun.odps.data.RecordWriter;
import com.aliyun.odps.tunnel.TableTunnel;
import com.aliyun.odps.tunnel.TunnelException;
import com.aliyun.odps.tunnel.TableTunnel.UploadSession;

public class UploadSample {
 private static String accessId = "<your access id>";
 private static String accessKey = "<your access Key>";
 private static String odpsUrl = "http://service.odps.aliyun.com/api";

 private static String project = "<your project>";
 private static String table = "<your table name>";
 private static String partition = "<your partition spec>";

 public static void main(String args[]) {
   // 準備工做，僅需作一次
   Account account = new AliyunAccount(accessId, accessKey);
   Odps odps = new Odps(account);
   odps.setEndpoint(odpsUrl);
   odps.setDefaultProject(project);
   TableTunnel tunnel = new TableTunnel(odps);

   try {
     // 肯定寫入分區
     PartitionSpec partitionSpec = new PartitionSpec(partition);
     // 在服務端建立一個在本表本分區上有效期24小時的session，24小時內該session能夠共計上傳20000個Block數據
     // 建立Session的時耗爲秒級，會在服務端使用部分資源、建立臨時目錄等，操做較重，所以強烈建議同一個分區數據儘量複用Session上傳。
     UploadSession uploadSession = tunnel.createUploadSession(project,
         table, partitionSpec);
     System.out.println("Session Status is : "
         + uploadSession.getStatus().toString());
     TableSchema schema = uploadSession.getSchema();
     // 準備數據後打開Writer開始寫入數據，準備數據後寫入一個Block，每一個Block僅能成功上傳一次，不可重複上傳，CloseWriter成功表明該Block上傳完成，失敗能夠從新上傳該Block，同一個Session下最多容許20000個BlockId，即0-19999，若超出請CommitSession而且再建立一個新Session使用，以此類推。
     // 單個Block內寫入數據過少會產生大量小文件 嚴重影響計算性能， 強烈建議每次寫入64MB以上數據(100GB之內數據都可寫入同一Block)
     // 可經過數據的平均大小與記錄數量大體計算總量即 64MB < 平均記錄大小*記錄數 < 100GB

     // maxBlockID服務端限制爲20000，用戶能夠根據本身業務需求，每一個Session使用必定數量的block例如100個，可是建議每一個Session內使用block越多越好，由於建立Session是一個很重的操做
     // 若是建立一個Session後僅僅上傳少許數據，不只會形成小文件、空目錄等問題，還會嚴重影響上傳總體性能（建立Session花費秒級，真正上傳可能僅僅用了十幾毫秒）
     int maxBlockID = 20000;
     for (int blockId = 0; blockId < maxBlockID; blockId++) {
       // 準備好至少64MB以上數據，準備完成後方可寫入
       // 例如：讀取若干文件或者從數據庫中讀取數據
       try {
         // 在該Block上建立一個Writer，writer建立後任意一段時間內，若某連續2分鐘沒有寫入4KB以上數據，則會超時斷開鏈接
         // 所以建議在建立writer前在內存中準備能夠直接進行寫入的數據
         RecordWriter recordWriter = uploadSession.openRecordWriter(blockId);

         // 將讀取到的全部數據轉換爲Tunnel Record格式並切入
         int recordNumber = 1000000;
         for (int index = 0; i < recordNumber; i++) {
           // 將第index條原始數據轉化爲odps record
           Record record = uploadSession.newRecord();
           for (int i = 0; i < schema.getColumns().size(); i++) {
             Column column = schema.getColumn(i);
             switch (column.getType()) {
               case BIGINT:
                 record.setBigint(i, 1L);
                 break;
               case BOOLEAN:
                 record.setBoolean(i, true);
                 break;
               case DATETIME:
                 record.setDatetime(i, new Date());
                 break;
               case DOUBLE:
                 record.setDouble(i, 0.0);
                 break;
               case STRING:
                 record.setString(i, "sample");
                 break;
               default:
                 throw new RuntimeException("Unknown column type: "
                     + column.getType());
             }
           }
           // Write本條數據至服務端，每寫入4KB數據會進行一次網絡傳輸
           // 若120s沒有網絡傳輸服務端將會關閉鏈接，屆時該Writer將不可用，須要從新寫入
           recordWriter.write(record);
         }
         // close成功即表明該block上傳成功，可是在整個Session Commit前，這些數據是在odps 臨時目錄中不可見的
         recordWriter.close();
       } catch (TunnelException e) {
         // 建議重試必定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       } catch (IOException e) {
         // 建議重試必定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       }
     }
     // 提交全部Block，uploadSession.getBlockList()能夠自行指定須要提交的Block，Commit成功後數據纔會正式寫入Odps分區，Commit失敗建議重試10次
     for (int retry = 0; retry < 10; ++retry) {
       try {
         // 秒級操做，正式提交數據
         uploadSession.commit(uploadSession.getBlockList());
         break;
       } catch (TunnelException e) {
         System.out.println("uploadSession commit failed:" + e.getMessage());
       } catch (IOException e) {
         System.out.println("uploadSession commit failed:" + e.getMessage());
       }
     }
     System.out.println("upload success!");

   } catch (TunnelException e) {
     e.printStackTrace();
   } catch (IOException e) {
     e.printStackTrace();
   }
 }
}

構造器舉例說明：

PartitionSpec(String spec)：經過字符串構造此類對象。

參數:

spec: 分區定義字符串，好比: pt='1',ds='2'。
所以程序中應該這樣配置：private static String partition = "pt='XXX',ds='XXX'";

常見問題

MaxCompute Tunnel是什麼？

Tunnel是MaxCompute的數據通道，用戶能夠經過Tunnel向MaxCompute中上傳或者下載數據。目前Tunnel僅支持表（不包括視圖View）數據的上傳下載。

BlockId是否能夠重複？

同一個UploadSession裏的blockId不能重複。也就是說，對於同一個UploadSession，用一個blockId打開RecordWriter，寫入一批數據後，調用close，
而後再commit完成後，寫入成功後不能夠從新再用該blockId打開另外一個RecordWriter寫入數據。 Block默認最多20000個，即0-19999。

Block大小是否存在限制？

一個block大小上限 100GB，強烈建議大於64M的數據，每個Block對應一個文件，小於64MB的文件統稱爲小文件，小文件過多將會影響使用性能。
使用新版BufferedWriter能夠更簡單的進行上傳功能避免小文件等問題 Tunnel-SDK-BufferedWriter

Session是否能夠共享使用，存在生命週期嗎？

每一個Session在服務端的生命週期爲24小時，建立後24小時內都可使用，也能夠跨進程/線程共享使用，可是必須保證同一個BlockId沒有重複使用，分佈式上傳能夠按照以下步驟：
建立Session->數據量估算->分配Block（例如線程1使用0-100，線程2使用100-200）->準備數據->上傳數據->Commit全部寫入成功的Block。

Session建立後不使用是否對系統有消耗？

每一個Session在建立時會生成兩個文件目錄，若是大量建立而不使用，會致使臨時目錄增多，大量堆積時可能形成系統負擔，請必定避免此類行爲，儘可能共享利用session。

遇到Write/Read超時或IOException怎麼處理？

上傳數據時，Writer每寫入8KB數據會觸發一次網絡動做，若是120秒內沒有網絡動做，服務端將主動關閉鏈接，屆時Writer將不可用，請從新打開一個新的Writer寫入。

建議使用 [Tunnel-SDK-BufferedWriter]接口上傳數據，該接口對用戶屏蔽了blockId的細節，而且內部帶有數據緩存區，會自動進行失敗重試。

下載數據時，Reader也有相似機制，若長時間沒有網絡IO會被斷開鏈接，建議Read過程連續進行中間不穿插其餘系統的接口。

MaxCompute Tunnel目前有哪些語言的SDK？

MaxCompute Tunnel目前提供Java版的SDK。

MaxCompute Tunnel 是否支持多個客戶端同時上傳同一張表？

支持。

MaxCompute Tunnel適合批量上傳仍是流式上傳

MaxCompute Tunnel用於批量上傳，不適合流式上傳，流式上傳可使用[DataHub高速流式數據通道]，毫秒級延時寫入。

MaxCompute Tunnel上傳數據時必定要先存在分區嗎？

是的，Tunnel不會自動建立分區。

Dship 與 MaxCompute Tunnel的關係？

dship是一個工具，經過MaxCompute Tunnel來上傳下載。

Tunnel upload數據的行爲是追加仍是覆蓋？

追加的模式。

Tunnel路由功能是怎麼回事？

路由功能指的是Tunnel SDK經過設置MaxCompute獲取Tunnel Endpoint的功能。所以，SDK能夠只設置MaxCompute的endpoint來正常工做。

用MaxCompute Tunnel上傳數據時，一個block的數據量大小多大比較合適

沒有一個絕對最優的答案，要綜合考慮網絡狀況，實時性要求，數據如何使用以及集羣小文件等因素。通常，若是數量較大是持續上傳的模式，能夠在64M - 256M，
若是是天天傳一次的批量模式，能夠設大一些到1G左右

使用MaxCompute Tunnel 下載, 老是提示timeout

通常是endpoint錯誤，請檢查Endpoint配置，簡單的判斷方法是經過telnet等方法檢測網絡連通性。

經過MaxCompute Tunnel下載，拋出You have NO privilege ‘odps:Select‘ on {acs:odps:*:projects/XXX/tables/XXX}. project ‘XXX‘ is protected的異常

該project開啓了數據保護功能，用戶操做這是從一個項目的數據導向另外一個項目，這須要該project的owner操做。

Tunnel上傳拋出異常ErrorCode=FlowExceeded, ErrorMessage=Your flow quota is exceeded.**

Tunnel對請求的併發進行了控制，默認上傳和下載的併發Quota爲2000，任何相關的請求發出到結束過程當中均會佔用一個Quota單位。若出現相似錯誤，有以下幾種建議的解決方案：
1 sleep一下再重試；
2 將project的tunnel併發quota調大，須要聯繫管理員評估流量壓力；
3 報告project owner調查誰佔用了大量併發quota，控制一下。

原文連接