Logical Data Warehouse SQL mit Oracle DB und Hadoop

Transkript

1 Logical Data Warehouse SQL mit Oracle DB und Hadoop Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH Ingo Reisky Senior Consultant Opitz Consulting Deutschland GmbH

2 ISE Information Systems Engineering Gegründet 1991 Mitarbeiteranzahl: 60 Hauptsitz in Gräfenberg, Niederlassungen in München und Nürnberg Schwerpunkte: Oracle Engineered Systems (Exadata / Exalogic / Exalytics) Data Warehousing & Business Intelligence Oracle DB Migrationen, Optimierungen, Hochverfügbarkeit Managed Service für Datenbanken, BI und Middlewareapplikationen Oracle Partner Engineered Systems Award 2013 Copyright (C) ISE GmbH - All Rights Reserved 2

4 Vorstellung OPITZ CONSULTING Mission Wir entwickeln gemeinsam mit allen Branchen Lösungen, die dazu führen, dass sich diese Organisationen besser entwickeln als ihr Wettbewerb. Unsere Dienstleistung erfolgt partnerschaftlich und ist auf eine langjährige Zusammenarbeit angelegt. Leistungsangebot Business IT Alignment Business Information Management Business Process Management Anwendungsentwicklung SOA und System-Integration IT-Infrastruktur-Management Märkte Branchenübergreifend Über 600 Kunden 29% Industrie / Versorger / Telekommunikation Eckdaten Gründung Mitarbeiter 9 Standorte 29% Handel / Logistik / Dienstleistungen 42% Öffentliche Auftraggeber / Banken und Versicherungen / Vereine und Verbände OPITZ CONSULTING Deutschland GmbH 2015 Seite 4

5 Wie OPITZ CONSULTING Big Data versteht Big Data = Alter Hut OPITZ CONSULTING 1990 OPITZ CONSULTING t+25 Big Data = Chance IT-Durchdringung der Geschäftswelt steigt seit Beginn Mooresche Gesetz gilt immer noch Database-focused Company große Datenmengen & komplexe Anforderungen Individuallösungen, wenn Standard nicht ausreicht Kontinuierliche Adaption neuer IT-Trends 25 Prozess- und Interessenstransparenz dank Maschine Data Wettbewerbsvorteile dank Kombination (Mobile+ Big Data + Cloud + Analytics) Wir helfen Kunden, die Möglichkeiten von Big Data zu verstehen Business Cases in ihrem Unternehmen zu erkennen und ganzheitlich unter Berücksichtigung bestehender Architekturen zu bewerten Projekte zielorientiert aufzusetzen und erfolgreich durchzuführen Business Cases anhand von Proof of Concepts zu verifizieren. Big Data ist bei OPITZ CONSULTING eines der TOP 3 Zukunftsthemen! OPITZ CONSULTING Deutschland GmbH 2015 Seite 5

6 Bio Matthias Fuchs - Senior Consultant Infrastructure&Database - 10 Jahre Oracle-Erfahrung - OCP, Exadata Certified - Focus on DWH, Audit, Security in Oracle DB and Oracle Exa Systems Ingo Reisky - Senior Consultant im Infrastructure Consulting bei OPITZ CONSULTING - Mitglied OC-CC Big Data - Dipl.-Wirtschaftsingenieur Univ. Karlsruhe (TH) - OCP, LPIC-2, RHCT, - Fusion MW Spezialist: Oracle Weblogic Server, SOA Suite, Enterprise Manager Cloud Control Copyright (C) ISE GmbH - All Rights Reserved 6

9 Logical Data Warehouse Gartner Hype Cycle for Information Infrastructure, 2012, the Logical Data Warehouse (LDW) is a new data management architecture for analytics which combines the strengths of traditional repository warehouses with alternative data management and access strategy. The LDW will form a new best practices by the end of Copyright (C) ISE GmbH - All Rights Reserved 9

10 Gartner: Logical Data Warehouse Repository Management Verschiedene Typen u.a. Metadaten Konsolidierung Data Virtualization Virtuelle Daten Schicht Distributed Processes Aufruf externer Prozesse z.b. Bilder oder Content Analyse, aber auch MapReduce Cloud Auditing statistics and performance Evaluation Statistik über Performance End User, Applikationen oder Verbindungen SLA Management Metadataset über erwartete Ausführungenzeiten etc. Überwachung und ggf. Änderung der Ausführung Taxonomy - Ontology resolution a taxonomy tree in an ontological forest Metadata Management Copyright (C) ISE GmbH - All Rights Reserved 10

11 Gartner: Logical Data Warehouse Repository Management Verschiedene Typen u.a. Metadaten Konsolidierung Data Virtualization Virtuelle Daten Schicht Distributed Processes Aufruf externer Prozesse z.b. Bilder oder Content Analyse, aber auch MapReduce Cloud Inhalte einzubeziehen Auditing statistics and performance Evaluation Statistik über Performance End User, Applikationen Höhere oder Verbindungen Flexibilität SLA Management Metadataset über erwartete Ausführungenzeiten etc. Überwachung und ggf. Änderung der Ausführung Taxonomy - Ontology resolution a taxonomy tree in an ontological forest Metadata Management Data-to-insight cycle ' schneller günstiges Framework um neue Copyright (C) ISE GmbH - All Rights Reserved 11

17 Big Data Sql - Übersicht Cloudera Hadoop NOSQL R Advanced Analytics Oracle Big Data SQL Connectors ODI Exadata Advanced Analytics Advanced Security Or BigData Lite VM Copyright (C) ISE GmbH - All Rights Reserved 17

19 Big Data und DB im LDW Repository Management Oracle Big Data Appliance Data Virtualization Distributed Processes Auditing statistics and performance SLA Management ODI, BPM, SOA Enterprise Metadata Management Taxonomy - Ontology resolution Copyright (C) ISE GmbH - All Rights Reserved 19

22 Sqoop mit Oracle OraOOP Guy Harrison team Quest (Dell) Ab version (CDH 5.1) Oracle direct path (non-buffered) IO for all reads Auf mappers werden Anzahl Blöcke verteilt Bei partitionierten Tabellen, kann der Mapper pro Partition arbeiten HDFS HADOOP MAPPER ORACLE SESSION ORACLE TABLE HADOOP MAPPER ORACLE SESSION Copyright (C) ISE GmbH - All Rights Reserved 23

23 Sqoop 1 vs. Sqoop 2 Sqoop 1 Sqoop 2 Kerberos Security, RDBMS connectors, transfer to hive Client startet Map jobs MAP only Client mit connection Details Durch quest Oracle direct Treiber implementiert Jdbc Connection Service based, DB Treiber auf dem Server MAPReduce Vorkonfigurierte datasources Oracle direct connector geplant (aktuell1.99.5) Copyright (C) ISE GmbH - All Rights Reserved 24

24 Ausblick: Sqoop 2 Roadmap Auszug aus Roadmap Sqoop 2, Version : In this release, let s focus on developing new connectors and execution engines. HBase connector Hive connector HCatalog connector (Or is this the same as Hive connector?) MySQL fast connector PostgreSQL fast connector Oracle fast connector Netezza connector Teradata connector (?) Spark execution engine Copyright (C) ISE GmbH - All Rights Reserved 25

25 Big Data Connector Oracle Data Integrator Sqoop loads beide Richtungen Integration Knowledge Modules Oracle SQL Connector External Table Hive oder HDFS to Oracle Oracle Loader for Hadoop Load data to Oracle Prepare data and load to Oracle Copyright (C) ISE GmbH - All Rights Reserved 26

27 Real Time Oracle Change Data Capture Supported in 11.2 but not recommended by Oracle Desupported in 12.1 Oracle Golden Gate 1. RDBMS to HIVE 2. RDBMS to Flume 3. RDBMS to HDFS Andere Hersteller: (Dell) Quest SharePlex Auslesen redologs (VMWare) Continuent Tungsten benutzt CDC im Hintergrund Libelle Copyright (C) ISE GmbH - All Rights Reserved 28

29 R und SQL Zahlreiche Möglichkeiten, mit R strukturierte Daten abzufragen Verbindung mit R gegen Oracle DB Package ROracle (mit Oracle Client/Instant Client) Verbindung mit R gegen Apache Hadoop oder Hive Packages in RHadoop (R gegen HDFS, HBase, ): RHIPE: Integrierte R- und Hadoop-Umgebung Package RHive: HiveQL (HQL, ähnlich SQL) gegen Hive R in der Oracle DB oder In Hive: Advanced Analytics Option (AAO) Copyright (C) ISE GmbH - All Rights Reserved 30

30 Spark SQL Apache Spark ist eine alternative Execution Engine für Hadoop (neben MapReduce und Tez) oder Stand-alone: schnell! Spark SQL: Modul für den Zugriff auf strukturierte Daten Abfrage aus Spark als Resilient Distributed Datasets (RDD): SchemaRDDs als einheitliches Interface, mit integrierten APIs für Python, Scala und Java Auch für die Abfrage aus Hive-Tabellen, Parquet- und JSON-Dateien Enthält Server-Modus für JDBC- und ODBC-Verbindungen Unterstützt Ausfalltoleranz während laufender Abfragen nach dem RDD-Modell und skalliert auch für große Jobs: Eignung für interaktive und langlaufende Abfragen (historische Daten) Mehr unter: Copyright (C) ISE GmbH - All Rights Reserved 31

32 Analyse von Infrastrukturdaten Ziel Daten von Servicecalls (OSB) auswerten Daten Historisieren Feststellen von Anomalien Mappen von Strukturierten und Unstrukturierten Daten Tabellen/View und Datei Import Auswertung mit ausgewählten Werkzeugen Analytic output R Elasticsearch YARN/MR Weblogs Flume HDFS SQOOP CC RDBMS Copyright (C) ISE GmbH - All Rights Reserved 33

33 Vorbereitung Wahl der Hadoop Distribution Cloudera Oracle supported Ohne -> sehr aufwendig Filedaten Flume Weblogic und Apache Logs Gut dokumentiert im Netz Ggf. Realtime Auswertung mit Elasticsearch or Solr Hive CDH 5.1 OCRFile Format Copyright (C) ISE GmbH - All Rights Reserved 34

34 Hive ORCFile Optimized Row Columnar File Format light-weight indexes bereits im Fileformat block-mode compression auf basis des Datentyps Größenvergleich über verschiedene Typen Encoded Text CSV File RCFile Record Columnar File Parquet Columnar Storage Format, impala ORCFile Hive TPC-DS Scale 500 Dataset GB, Hortonworks Copyright (C) ISE GmbH - All Rights Reserved 35

36 Prozess Teil 1 DB Start sqoop job to HDFS Create external table on HDFS Files insert as select in hive ocr data table HDFS HIVE Import parallel 1, da view daten Kein primary key, keine parallelen MapReduce Prozesse Direct read notwendig, da sonst tmp Tablespace zu klein Start mit sqoop2, ende mit sqoop1 inklusiv Optimierung ODI statt oozie Copyright (C) ISE GmbH - All Rights Reserved 37

38 Prozess Teil 2 Create Table in DB (nur in Test VM) DDL mit CREATE_EXTDDL_FOR_HIVE erzeugen DDL ausführen DDL Erzeugen dbms_hadoop.create_extddl_for_hive( CLUSTER_ID=>'bigdatalite', DB_NAME=>'default', HIVE_TABLE_NAME=>'oem_data', HIVE_PARTITION=>FALSE, TABLE_NAME=>'oem_data', PERFORM_DDL=>FALSE, TEXT_OF_DDL=>DDLout ); DDL Ausführen CREATE TABLE OEM_DATA ( target_name VARCHAR2(4000), target_guid.. key_value6 VARCHAR2(4000), collection_timestamp VARCHAR2(4000)) ORGANIZATION EXTERNAL (TYPE ORACLE_HIVE DEFAULT DIRECTORY DEFAULT_DIR ACCESS PARAMETERS ( com.oracle.bigdata.cluster=bigdatalite com.oracle.bigdata.tablename=default.oem_ data) ) ; Copyright (C) ISE GmbH - All Rights Reserved 39

40 Ergebnisse: Laden der Daten Daten für einen Tag ~ Zeilen/12 Spalten TXT Files ~100 G unkomprimiert Ladezeit ca. 1h aus CC DB OCR Files in hive ~ 27 M komprimiert ~ Ladezeit ca. 30 Minuten Teil 1 Type Größe Select count Where Oem_data BigDataSQL 2,8 MB 2,1 Mio 11s 8s Teil 2 Oem_data local kopiert Oracle 558 MB 2,1 Mio 0,5s 0,5s Oem_data Hive 57s 50s Copyright (C) ISE GmbH - All Rights Reserved 41

41 Lastverteilung Big Data SQL Only data retrieval (TABLE ACCESS FULL und Filter ) werden offloaded! Datenbearbeitung im DB Layer GROUP BY, ORDER BY, JOIN, PL/SQL etc BigDataSQL 2.0 (Aggregation in Hadoop?) Alternativ Connect über ODBC Tool Beschreibung Decompress CPU Filtering CPU Datatype Conversion Sqoop Hadoop Oracle Oracle Oracle SQL Connector für HDFS Big Data SQL Text Dateien HDFS oder DataPump HDFS 12c Exadata&BDA Oracle Oracle Hadoop Hadoop Hadoop ODBC Hadoop Hadoop Oracle Copyright (C) ISE GmbH - All Rights Reserved 42