上篇丨数据融合平台DataPipeline的应用场景

时间：2024-03-30 13:00:04

上篇丨数据融合平台DataPipeline的应用场景

距离2020年还有不到一周的时间，在过去的一年里DataPipeline经历了几次产品迭代。就最新的2.6版本而言，你知道都有哪些使用场景吗？接下来将分为上下篇为大家一 一解读，希望这些场景中能出现你关心的那一款。

场景一：应对生产数据结构的频繁变更场景

1. 场景说明

 

在同步生产数据时，因为业务关系，源端经常会有删除表，增减字段情况。希望在该情况下任务可以继续同步。并且当源端增减字段时，目的地可以根据设置选择是否同源端一起增减字段。

 

2. 场景适用说明

 

源/目的地：关系型数据库

 

读取模式：不限制

 

3. 操作步骤

 

 

  • 在DataPipeline的任务设置，数据目的地设置下的高级选项下有【数据源变化设置】选项，可根据提示自行选择

上篇丨数据融合平台DataPipeline的应用场景

场景二：数据任务结束后调用Jenkins任务

1. 场景说明

 

数据任务同步结束，立即启动已定义的Jenkins任务。保证执行的顺序性，以及依赖性。

 

2. 场景适用说明

 

源/目的地：传统性数据库（其它需要脚本）

 

读取模式：批量全量或增量识别字段

 

3. 操作步骤

 

  • 在DataPipeline任务流中创建任务流

     

  • 创建定时数据同步任务

     

  • 添加【远程命令执行】，添加服务器IP，编写python脚本并放置在服务器指定目录

     

  • 详细操作细节请与DataPipeline沟通


上篇丨数据融合平台DataPipeline的应用场景

场景三：生产数据同步给测试使用

 

1. 场景说明

 

MySQL->MySQL实时同步，在同步时，可能测试组想要对任务中的几张表目的地进行测试，在测试过程中，目的地会有INSERT/UPDATE/DELETE操作。希望在测试前，能以自动化方式执行脚本暂停某几张表的同步。测试结束后以自动化方式执行脚本重新同步这几张表，并且目的地数据需要与线上数据保持一致（即测试所产生的脏数据需要被全部清理掉）。

 

2. 场景适用说明

 

源/目的地：关系型数据库目的地

 

读取模式：不限制（全量/增量识别字段模式可能需要开启【每次定时执行批量同步前，允许清除目标表数据】功能）

 

3. 操作步骤

 

  • 要求DataPipeline版本>=2.6.0

 

  • 在对目的地表进行测试前，执行DataPipeline所提供的脚本

 

  • 目的地结束测试后，再执行脚本添加测试表

 

  • 启动脚本，对测试的几张表进行重新同步，保证测试后的数据可以和线上数据继续保持一致

 

  • 参考DataPipeline swagger接口列表，目前已有脚本模板可供参考

 

场景四：Hive->GP列存储同步速率提高方案

1. 场景说明

 

Hive->GP，如果GP目的地表为手动创建的列存储表，那么在DataPipeline上同步时速率会非常慢。这是因为GP列存储本身存在的限制。而目的地若为DataPipeline创建的行表，再通过脚本将行表转换为列表，则效率提高几十倍。

 

2. 场景适用说明

 

源/目的地：Hive源/GP目的地

 

读取模式：增量/全量

 

3. 操作步骤

 

  • 目的地表为DataPipeline自动创建的行表

 

  • 编写脚本将行表转换为列表

 

  • 数据任务同步完成后，通过DataPipeline任务流调用行转列脚本

 

  • 再将列表数据提供给下游使用

 

场景五：对数据进行加密脱敏处理场景

 

1. 场景说明

 

因为涉及用户隐私或其它安全原因，需要对数据部分字段进行脱敏或加密处理。通过DataPipeline的高级清洗功能可以完全满足此类场景。

 

2. 场景适用说明

 

源/目的地：不限制

 

读取模式：不限制

 

3. 操作步骤

 

  • 不限制DataPipeline版本

     

  • 正常配置任务即可，只需开启高级清洗功能

     

  • 将已写好的加密代码或脱敏代码打成jar包，上传到服务器执行目录下，直接调用即可

     

  • 高级清洗代码可联系DataPipeline提供模板

 

注意事项：所写的jar包需要分别上传webservice、sink、manager所在容器的服务器的/root/datapipeline/code_engine_lib（一般默认）目录。

 

场景六：通过错误队列，明确上下游数据问题责任及原因

 

1. 场景说明

 

作为数据部门，需要接收上游数据，并根据下游部门需求将数据传输给对应部门。因此当存在脏数据或者数据问题时，有时很难定位问题原因，划分责任。

 

并且大多时候都是将脏数据直接丢弃，上游无法追踪脏数据产生的原因。通过DP的高级清洗功能可自定义将不符合的数据放入错误队列中。

 

2. 场景适用说明

 

源/目的地：不限制

 

读取模式：不限制


3. 操作步骤

 

  • 不限制DataPipeline版本

     

  • 正常配置任务即可，只需开启高级清洗功能

     

  • 在高级清洗中对对应字段根据业务进行逻辑判断，将不想要的数据扔到DP错误队列中

     

  • 高级清洗代码可联系DataPipeline提供模板

 

场景七：更便捷地支持目的地手动增加字段

 

1. 场景说明

 

由Oracle->SQLServer，想在目的地手动添加一列TIMESTAMP类型，自动赋予默认值，记录数据INSERT时间。

 

2. 场景适用说明

 

源/目的地：关系型数据库目的地

 

读取模式：不限制

 

3. 操作步骤

 

  • 要求DataPipeline版本>=2.6.0

 

  • 在DataPipeline映射页面配置时，添加一列，字段名称和目的地手动添加名称一致（标度类型任意给，无需一致）

 

  • 勾选该字段蓝色按钮（开启表示同步该字段数据，关闭表示该字段不传任何数据），点击保存。如下图所示：

上篇丨数据融合平台DataPipeline的应用场景

  • 手动在目的地添加该列

 

本篇将集中介绍以上7种场景，其它应用场景将会在下周发布，如果你在工作中遇到了同样的问题，欢迎与我们交流。

相关文章