數(shù)據(jù)不可估量，亞馬遜云科技開(kāi)啟云原生數(shù)倉(cāng)新篇章

2022年12月，在拉斯維加斯舉辦的2022亞馬遜云科技re:Invent全球大會(huì)完美落幕，這一標(biāo)志性的技術(shù)盛宴再一次給人們留下了無(wú)限的想象空間，等待大家在新的一年去持續(xù)探索和發(fā)掘。近日，亞馬遜云科技中國(guó)巡演——廣州、深圳站也如期舉行，其間對(duì)re:Invent全球大會(huì)的很多項(xiàng)目進(jìn)行解讀，為中國(guó)企業(yè)提供更多的可能。

簡(jiǎn)化數(shù)據(jù)攝入工作

最好是沒(méi)有

要想數(shù)據(jù)分析到位，首先要保證有穩(wěn)定、可靠的數(shù)據(jù)攝入通道，來(lái)實(shí)現(xiàn)端到端的第一環(huán)（其實(shí)還有第零環(huán)，是業(yè)務(wù)在數(shù)據(jù)源側(cè)的規(guī)劃），而這一塊也是大部分?jǐn)?shù)據(jù)工程中遇到最頭疼的問(wèn)題之一。首先，數(shù)據(jù)源就包含很多種，最常見(jiàn)的數(shù)據(jù)源包括關(guān)系型數(shù)據(jù)庫(kù)、數(shù)據(jù)湖和實(shí)時(shí)的流數(shù)據(jù)。其次，不管是手動(dòng)還是自動(dòng)的ETL流水線(xiàn)，都需要專(zhuān)業(yè)的數(shù)據(jù)工程團(tuán)隊(duì)來(lái)構(gòu)建和維護(hù)，并且經(jīng)常要處理或介入數(shù)據(jù)結(jié)構(gòu)的變更等情況。這次，Redshift連發(fā)多個(gè)功能特性來(lái)幫助客戶(hù)解決或者消除這類(lèi)問(wèn)題。

首先是最常見(jiàn)的關(guān)系型數(shù)據(jù)庫(kù)，也就是經(jīng)典的OLTP向OLAP的數(shù)據(jù)傳遞。如果是為了更快或者更實(shí)時(shí)地獲取線(xiàn)上業(yè)務(wù)的事務(wù)數(shù)據(jù)來(lái)做分析，通?？梢酝ㄟ^(guò)開(kāi)啟數(shù)據(jù)庫(kù)的binlog來(lái)捕捉CDC變更，然后再使用解析CDC的工具如Amazon DMS、Debezium等來(lái)實(shí)現(xiàn)，這些都需要客戶(hù)進(jìn)行不斷的監(jiān)控、配置和優(yōu)化。此外，不同的數(shù)據(jù)庫(kù)和數(shù)據(jù)表可能會(huì)有不同的需求，這樣就再加倍了數(shù)量級(jí)的維護(hù)成本。

相信大家對(duì)Redshift印象最深的一個(gè)功能就是Zero ETL，幫助客戶(hù)完成從1到0的過(guò)程！Redshift通過(guò)與Amazon Aurora數(shù)據(jù)庫(kù)深度集成，在事務(wù)型數(shù)據(jù)寫(xiě)入Aurora后，數(shù)據(jù)在底層被持續(xù)地復(fù)制到Redshift，完成行式數(shù)據(jù)存儲(chǔ)到列式數(shù)據(jù)存儲(chǔ)的轉(zhuǎn)換，徹底消除了自己構(gòu)建和維護(hù)復(fù)雜數(shù)據(jù)管道的工作。沒(méi)有Hybrid OLTP和OLAP，仍然是熟悉的Amazon Purpose-Build（Aurora還是 Aurora，Redshift還是Redshift）各司其職解決最實(shí)際的問(wèn)題。同時(shí)，客戶(hù)的應(yīng)用程序架構(gòu)保持不變，讀寫(xiě)端點(diǎn)指向Aurora，分析端點(diǎn)指向Redshift，但是底層已經(jīng)不再是一大串接一大串的數(shù)據(jù)抽取、轉(zhuǎn)換和加載，直接無(wú)縫銜接并且達(dá)到近實(shí)時(shí)的效果。

然后是數(shù)據(jù)湖S3，Redshift開(kāi)始支持從S3數(shù)據(jù)湖中自動(dòng)復(fù)制，手動(dòng)擋升級(jí)自動(dòng)擋。之前，如果想要拷貝數(shù)據(jù)都需要手動(dòng)或者定時(shí)執(zhí)行COPY命令，現(xiàn)在Redshift新添加了COPY JOB命令自動(dòng)檢測(cè)指定路徑的新文件，跳過(guò)已經(jīng)加載完畢的舊文件。以前編寫(xiě)的定時(shí)任務(wù)腳本可以退役了，而且再也不用擔(dān)心手抖重復(fù)執(zhí)行，生活變得更美好了。

如果業(yè)務(wù)需求是實(shí)時(shí)的，那么通過(guò)S3作為Staging存儲(chǔ)再COPY的方式就跟不上節(jié)奏了，所以，流數(shù)據(jù)也要拿下。re:Invent之前，Redshift流式攝入已經(jīng)開(kāi)始支持Amazon Kinesis Data Streams，這次發(fā)布更是添加了Amazon Managed Streaming for Apache Kafka（MSK），同時(shí)流式攝入也正式推出，告別預(yù)覽。從上面的圖中可以看出，流式攝入合并了數(shù)據(jù)消費(fèi)的過(guò)程，直接在Redshift中實(shí)現(xiàn)并持續(xù)加載到數(shù)據(jù)倉(cāng)庫(kù)。在Redshift中，流式攝入是通過(guò)物化視圖的方式實(shí)現(xiàn)的（查找官方文檔是在物化視圖章節(jié)），用戶(hù)還可以在這個(gè)物化視圖基礎(chǔ)上再配合其他數(shù)據(jù)疊加物化視圖提高查詢(xún)效率。另外，別忘了還可以給流式攝入開(kāi)啟自動(dòng)刷新功能。從此，客戶(hù)可以更簡(jiǎn)單地完成實(shí)時(shí)數(shù)據(jù)分析，包括IoT物聯(lián)網(wǎng)設(shè)備、點(diǎn)擊流、應(yīng)用程序監(jiān)控、欺詐檢測(cè)和游戲?qū)崟r(shí)排行榜等。

以上，Redshift簡(jiǎn)化了各種最經(jīng)典的數(shù)據(jù)源ETL方式，數(shù)據(jù)坐等分析。

更多數(shù)據(jù)分析的利器

來(lái)點(diǎn)火花

數(shù)據(jù)已經(jīng)妥妥地進(jìn)到了數(shù)據(jù)倉(cāng)庫(kù)的碗里來(lái)，接下來(lái)就請(qǐng)開(kāi)始它的表演了。此時(shí)，數(shù)據(jù)工程師表示Redshift SQL很好，但是還有些更復(fù)雜業(yè)務(wù)數(shù)據(jù)邏輯更適合通過(guò)代碼的方式進(jìn)行操作和處理（而不是通過(guò)UDF）。開(kāi)源大數(shù)據(jù)生態(tài)體系下有非常豐富的軟件供組織采用了，其中功能完善、發(fā)展穩(wěn)定的Apache Spark往往是一個(gè)優(yōu)先的選擇。在亞馬遜云科技平臺(tái)上使用Spark并不復(fù)雜，有托管服務(wù)EMR和Glue保駕護(hù)航，還有新發(fā)布的Amazon Athena for Apache Spark可以極速啟動(dòng)交互。但是，說(shuō)到Spark和Redshift之間進(jìn)行數(shù)據(jù)分析還是需要折騰一下的，或者是通過(guò)將Redshift中的數(shù)據(jù)導(dǎo)出到S3中，或者是使用各種第三方的Spark連接器，前者需要多走一步浪費(fèi)時(shí)間和資源，后者沒(méi)有多少人維護(hù)不說(shuō)，性能和安全性都令人堪憂(yōu)。因此，Amazon Redshift integration for Apache Spark應(yīng)運(yùn)而生。

這個(gè)內(nèi)置集成模式基于一個(gè)之前的開(kāi)源項(xiàng)目，提升了性能和安全性，相信后續(xù)亞馬遜云科技仍將繼續(xù)跟進(jìn)這個(gè)開(kāi)源項(xiàng)目，并將各種升級(jí)改造的好東西貢獻(xiàn)給社區(qū)。目前，EMR、EMR on EKS、EMR Serverless和Glue（限定版本）都預(yù)置了打包好的連接器和JDBC驅(qū)動(dòng)程序，客戶(hù)完全可以直接開(kāi)始編寫(xiě)代碼（有愛(ài)好者迫不及待連夜在EMR Studio中使用EMR on EKS完成了對(duì)Redshift Serverless和集群模式的交互式讀寫(xiě)測(cè)試，體驗(yàn)極佳），對(duì)Redshift中的數(shù)據(jù)進(jìn)行處理。如果客戶(hù)的數(shù)據(jù)分析工作負(fù)載以Spark為主，也可以通過(guò)Spark統(tǒng)一對(duì)各種數(shù)據(jù)源的分析。

審核編輯hhy