Category: Analytics

因篇幅所限和单次实验时间所限，本文拆成上下两篇且只包含Spark/Hive/Presto。HBase、Iceberg、Hudi等将另外编写。

点击这里跳转到上篇：EMR 101 Workshop 中文版（上篇）

接上篇，继续使用上篇执行Spark任务的集群来完成实验。因篇幅所限和单次实验时间所限，本篇只写Spark/Hive/Presto，不包含HBase、Iceberg、Hudi等。

Continue reading “EMR 101 Workshop 中文版（下篇）”

因篇幅所限和单次实验时间所限，本文拆成上下两篇且只包含Spark/Hive/Presto。HBase、Iceberg、Hudi等将另外编写。

一、实验介绍

本实验将运行多个EMR集群，体验EMR、EMR Studio Notebook，以及Spark、Hive、Presto等多种服务的交互和操作。

Continue reading “EMR 101 Workshop 中文版（上篇）”

一、背景

MSK的Serverless版本简单易用，无须设置大量复杂参数，点击几下鼠标，五分钟内即可创建完毕，可快速开始使用。

MSK Serverless默认是2个可用区，使用IAM认证，并开启TLS认证。因此需要在Kafka的客户端做额外配置。本文讲解如何连接到MSK Serverless版本。

Continue reading “开始使用 Managed Streaming for Kafka (MSK) Serverless 版本”

摘要：本文介绍如何快速创建一个低成本的、工作在VPC内网的OpenSearch单节点集群，并允许Master用户密码身份验证，然后测试上传文档和搜索，并分别在VPC内网的EC2 Windows和开发者本机用Session Manager转发方式访问Kibana。

Continue reading “创建低成本的工作在VPC内网的OpenSearch单节点并配置用户名密码身份验证”

一、背景

Redshift是用于大量数据分析的列式数据仓库。Redshift并不支持所有PostgreSQL的语法。

关于Redshift支持的的限制，可参考这里 Unsupported PostgreSQL functions 的文档。

在这篇文章中，明确提到Comment information functions是不被支持的。

不过，在Redshift上可使用comment命令来为数据库的表、列添加注释。

Continue reading “在Redshift上使用comment语句”

一、背景

Redshift默认会创建名为dev的数据库，在其中又包含名为public的schema，然后用户在其中创建表和视图。如果希望在同一个Redshift集群内同时创建多个数据库，并且进行跨数据库访问，那么可参照本文的方法。

注：本功能仅支持RA3机型，老的dc2/ds2机型上不支持。

Continue reading “Redshift 跨库查询使用方法”

注：2024年2月起，Kinesis Data Firehose也成为了独立产品Data Firehose。再加上之前成为独立产品的Managed Flink，Kinesis的三套件目前都成为了独立产品。

之前很多同学觉得Kinesis比较复杂，这里做一系列入门实验，方便快速采纳服务。点击每个标题后的连接跳转到对应文档。

典型的Kinesis数据流如下图。

场景1：KDF准实时流式入湖（1分钟级）+ 低频查询

使用Kinesis Data Firehose将数据导入S3数据湖，设置分区键，并转换为Parquet列格式。通过Athena可以极低的开销做低频查询。本方案成本低效果好，对现有系统不侵入，可作为现有大数据分析手段的补充。点击跳转：文档，视频。

场景2：KDF准实时流式入仓（1分钟级）+ 高频查询

使用Kinesis Data Firehose将原始数据以GZIP压缩方式在S3落盘，并按照60秒的间隔自动加载到数Redshift数据仓库。Redshift为MPP架构分布式数仓，支持通过JDBC方式调用，满足BI系统多并发的高频查询要求。点击跳转：文档。

场景3：KDS实时流式入仓（秒级）+ 高频查询

使用Kinesis Data Stream将原始数据放在Kinesis流中，可使用多种消费方式包括KDA（托管Flink）、Redshift等方式消费。本方案采用Redshift的物化视图方式对Kinesis数据流进行消费，并通过自动刷新物化视图实现秒级的延迟。Redshift可满足BI系统多并发的高频查询要求。点击跳转：文档。

注：2024年2月起，Kinesis Data Firehose也成为了独立产品Data Firehose。再加上之前成为独立产品的Managed Flink，Kinesis的三套件目前都成为了独立产品。

一、背景

Redshift实时数据摄取功能是面向需要实时数据分析客户、对报表低延迟要求极高的客户的最佳选择之一。与使用Data Firehose相比，延迟从1分钟到1分半提升到秒级。

Continue reading “Redshift Realtime Ingress 实时数据摄入之Kinesis Data Stream方案”

注：2024年2月起，Kinesis Data Firehose也成为了独立产品Data Firehose。再加上之前成为独立产品的Managed Flink，Kinesis的三套件目前都成为了独立产品。

一、背景

Kinesis作为AWS流式数据服务的核心产品，支持多种数据服务作为投递对象。通过Kinesis Data Firehose将数据持久化落盘到S3并自动加载到Redshift数据仓库，可实现最低一分钟的分析间隔，且无需额外配置脚本或计划任务用于加载和数据转换。

本文通过自定义脚本生成测试数据，并加载到Redshift。

Continue reading “Kinesis Data Firehose 准实时写入数据到Redshift方案”

注：2024年2月起，Kinesis Data Firehose也成为了独立产品Data Firehose。再加上之前成为独立产品的Managed Flink，Kinesis的三套件目前都成为了独立产品。

本文有关操作Demo请参考这个视频。本篇为具体技术配置过程。

一、背景和需求分析

1、Kinesis介绍

Kinesis简介From AWS官网：

Amazon Kinesis Data Firehose (KDF) 是将流数据加载到数据存储和分析工具的最简单方式。Kinesis Data Firehose是一项完全托管式服务，让您可以轻松地从数十万个来源中捕获、转换大量流数据，并将其加载到 Amazon S3、Amazon Redshift、Amazon OpenSearch Service、Kinesis Data Analytics、通用 HTTP 终端节点，以及 Datadog、New Relic、MongoDB 和 Splunk 等的服务提供商中，从而获得近乎实时的分析与见解。

2、Kinesis分区需求

测试Kinesis发送数据流时候，经常使用Kinesis控制台上的生成测试数据按钮，这个按钮将生成如下四个字段：

Continue reading “Kinesis Data Firehose 写入S3动态分区并转换为Parquet格式”

本视频演示了预先配置一个RDS MySQL，然后使用Glue从S3存储桶读取数据，并通过Glue Connection以JDBC方式将数据接入RDS MySQL。

注：之前的视频，一直忘记发出来，可能Glue界面已经升级和演进， 部分界面稍有不同。

Continue reading “Glue配置Connection通过JDBC连接MySQL”

一、确认要使用的版本

Amazon OpenSearch Service 是一款开源的分布式搜索和分析套件，衍生自 Elasticsearch。Amazon OpenSearch Service 是 Amazon Elasticsearch Service 的后继者，提供最新版本的 OpenSearch，支持 19 个版本的 Elasticsearch（1.5 到 7.10 版本），并支持由 OpenSearch Dashboards 和 Kibana（1.5 到 7.10 版本）提供的可视化功能。

引擎版本差异在这里。

至此的插件版本差异在这里。

更多信息参考官网的FAQ页面这里（中文）。

Continue reading “通过API查询Amazon OpenSearch服务（ElasticSearch）版本和可用机型”