離線批量資料通道Tunnel的最佳實踐及常見問題

基本介紹及應用場景

Tunnel是MaxCompute提供的離線批量資料通道服務，主要提供大批量離線資料上傳和下載下傳，

僅提供每次批量大于等于64MB資料的場景，小批量流式資料場景請使用DataHub實時資料通道以獲得更好的性能和體驗。

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[]) {
   // 準備工作，僅需做一次
   Account account = new AliyunAccount(accessId, accessKey);
   Odps odps = new Odps(account);
   odps.setEndpoint(odpsUrl);
   odps.setDefaultProject(project);
   TableTunnel tunnel = new TableTunnel(odps);

   try {
     // 确定寫入分區
     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小時内該session可以共計上傳20000個Block資料
     // 建立Session的時耗為秒級，會在服務端使用部分資源、建立臨時目錄等，操作較重，是以強烈建議同一個分區資料盡可能複用Session上傳。
     UploadSession uploadSession = tunnel.createUploadSession(project,
         table, partitionSpec);
     System.out.println("Session Status is : "
         + uploadSession.getStatus().toString());
     TableSchema schema = uploadSession.getSchema();
     // 準備資料後打開Writer開始寫入資料，準備資料後寫入一個Block，每個Block僅能成功上傳一次，不可重複上傳，CloseWriter成功代表該Block上傳完成，失敗可以重新上傳該Block，同一個Session下最多允許20000個BlockId，即0-19999，若超出請CommitSession并且再建立一個新Session使用，以此類推。
     // 單個Block内寫入資料過少會産生大量小檔案 嚴重影響計算性能， 強烈建議每次寫入64MB以上資料(100GB以内資料均可寫入同一Block)
     // 可通過資料的平均大小與記錄數量大緻計算總量即 64MB < 平均記錄大小*記錄數 < 100GB

     // maxBlockID服務端限制為20000，使用者可以根據自己業務需求，每個Session使用一定數量的block例如100個，但是建議每個Session内使用block越多越好，因為建立Session是一個很重的操作
     // 如果建立一個Session後僅僅上傳少量資料，不僅會造成小檔案、空目錄等問題，還會嚴重影響上傳整體性能（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以上資料，準備完成後方可寫入
       // 例如：讀取若幹檔案或者從資料庫中讀取資料
       try {
         // 在該Block上建立一個Writer，writer建立後任意一段時間内，若某連續2分鐘沒有寫入4KB以上資料，則會逾時斷開連接配接
         // 是以建議在建立writer前在記憶體中準備可以直接進行寫入的資料
         RecordWriter recordWriter = uploadSession.openRecordWriter(blockId);

         // 将讀取到的所有資料轉換為Tunnel Record格式并切入
         int recordNumber = 1000000;
         for (int index = 0; i < recordNumber; i++) {
           // 将第index條原始資料轉化為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本條資料至服務端，每寫入4KB資料會進行一次網絡傳輸
           // 若120s沒有網絡傳輸服務端将會關閉連接配接，屆時該Writer将不可用，需要重新寫入
           recordWriter.write(record);
         }
         // close成功即代表該block上傳成功，但是在整個Session Commit前，這些資料是在odps 臨時目錄中不可見的
         recordWriter.close();
       } catch (TunnelException e) {
         // 建議重試一定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       } catch (IOException e) {
         // 建議重試一定次數
         e.printStackTrace();
         System.out.println("write failed:" + e.getMessage());
       }
     }
     // 送出所有Block，uploadSession.getBlockList()可以自行指定需要送出的Block，Commit成功後資料才會正式寫入Odps分區，Commit失敗建議重試10次
     for (int retry = 0; retry < 10; ++retry) {
       try {
         // 秒級操作，正式送出資料
         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)：通過字元串構造此類對象。

參數:

spec: 分區定義字元串，比如: pt='1',ds='2'。

是以程式中應該這樣配置：private static String partition = "pt='XXX',ds='XXX'";

常見問題

MaxCompute Tunnel是什麼？

Tunnel是MaxCompute的資料通道，使用者可以通過Tunnel向MaxCompute中上傳或者下載下傳資料。目前Tunnel僅支援表（不包括視圖View）資料的上傳下載下傳。

BlockId是否可以重複？

同一個UploadSession裡的blockId不能重複。也就是說，對于同一個UploadSession，用一個blockId打開RecordWriter，寫入一批資料後，調用close，

然後再commit完成後，寫入成功後不可以重新再用該blockId打開另一個RecordWriter寫入資料。 Block預設最多20000個，即0-19999。

Block大小是否存在限制？

一個block大小上限 100GB，強烈建議大于64M的資料，每一個Block對應一個檔案，小于64MB的檔案統稱為小檔案，小檔案過多将會影響使用性能。

使用新版BufferedWriter可以更簡單的進行上傳功能避免小檔案等問題 Tunnel-SDK-BufferedWriter

Session是否可以共享使用，存在生命周期嗎？

每個Session在服務端的生命周期為24小時，建立後24小時内均可使用，也可以跨程序/線程共享使用，但是必須保證同一個BlockId沒有重複使用，分布式上傳可以按照如下步驟：

建立Session->資料量估算->配置設定Block（例如線程1使用0-100，線程2使用100-200）->準備資料->上傳資料->Commit所有寫入成功的Block。

Session建立後不使用是否對系統有消耗？

每個Session在建立時會生成兩個檔案目錄，如果大量建立而不使用，會導緻臨時目錄增多，大量堆積時可能造成系統負擔，請一定避免此類行為，盡量共享利用session。

遇到Write/Read逾時或IOException怎麼處理？

上傳資料時，Writer每寫入8KB資料會觸發一次網絡動作，如果120秒内沒有網絡動作，服務端将主動關閉連接配接，屆時Writer将不可用，請重新打開一個新的Writer寫入。

建議使用 [Tunnel-SDK-BufferedWriter]接口上傳資料，該接口對使用者屏蔽了blockId的細節，并且内部帶有資料緩存區，會自動進行失敗重試。

下載下傳資料時，Reader也有類似機制，若長時間沒有網絡IO會被斷開連接配接，建議Read過程連續進行中間不穿插其他系統的接口。

MaxCompute Tunnel目前有哪些語言的SDK？

MaxCompute Tunnel目前提供Java版的SDK。

MaxCompute Tunnel 是否支援多個用戶端同時上傳同一張表？

支援。

MaxCompute Tunnel适合批量上傳還是流式上傳

MaxCompute Tunnel用于批量上傳，不适合流式上傳，流式上傳可以使用[DataHub高速流式資料通道]，毫秒級延時寫入。

MaxCompute Tunnel上傳資料時一定要先存在分區嗎？

是的，Tunnel不會自動建立分區。

Dship 與 MaxCompute Tunnel的關系？

dship是一個工具，通過MaxCompute Tunnel來上傳下載下傳。

Tunnel upload資料的行為是追加還是覆寫？

追加的模式。

Tunnel路由功能是怎麼回事？

路由功能指的是Tunnel SDK通過設定MaxCompute擷取Tunnel Endpoint的功能。是以，SDK可以隻設定MaxCompute的endpoint來正常工作。

用MaxCompute Tunnel上傳資料時，一個block的資料量大小多大比較合适

沒有一個絕對最優的答案，要綜合考慮網絡情況，實時性要求，資料如何使用以及叢集小檔案等因素。一般，如果數量較大是持續上傳的模式，可以在64M - 256M，

如果是每天傳一次的批量模式，可以設大一些到1G左右

使用MaxCompute Tunnel 下載下傳, 總是提示timeout

一般是endpoint錯誤，請檢查Endpoint配置，簡單的判斷方法是通過telnet等方法檢測網絡連通性。

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

該project開啟了資料保護功能，使用者操作這是從一個項目的資料導向另一個項目，這需要該project的owner操作。

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

Tunnel對請求的并發進行了控制，預設上傳和下載下傳的并發Quota為2000，任何相關的請求發出到結束過程中均會占用一個Quota機關。若出現類似錯誤，有如下幾種建議的解決方案：

1 sleep一下再重試；

2 将project的tunnel并發quota調大，需要聯系管理者評估流量壓力；

3 報告project owner調查誰占用了大量并發quota，控制一下。