Azure Data Factory – Data Management für die Cloud
2 gefällt mir1,304 aufrufe
Das Dokument bietet einen umfassenden Überblick über Azure Data Factory, ein cloudbasiertes Datenmanagement-Werkzeug, und beschreibt dessen Funktionen, Einsatzszenarien sowie grundlegende Begriffe. Es wird erläutert, wie Benutzer mit Data Factories arbeiten können, inklusive Live-Demos, Kostenstrukturen und Herausforderungen bei der Nutzung. Zusätzlich werden Tipps für die Integration und Verwaltung von Azure Data Factory in Microsoft-Umgebungen gegeben.
![Beispiel: Copy Activity für time sliced-SQL Daten
...
"activities": [{
"type": "Copy", "name": "AzureSQLtoBlob", "description": "copy activity",
"typeProperties": {
"source": { "type": "SqlSource",
"sqlReaderQuery": "$$Text.Format(
'SELECT * from MyTable
WHERE timestampcolumn >= '{0:yyyy-MM-dd HH:mm}'
AND timestampcolumn < '{1:yyyy-MM-dd HH:mm}' ',
WindowStart, WindowEnd )" },
"sink": { "type": "BlobSink", "writeBatchSize": 100000, "writeBatchTimeout": "00:05:00" } },
"inputs": [ { "name": "AzureSQLInput" } ],
...
Fazit: Mächtig aber auch strange…hier soll ein Update kommen!](https://image.slidesharecdn.com/azure-data-factory-stefan-kirner-sql-konf-02-2016-160229124412/85/Azure-Data-Factory-Data-Management-fur-die-Cloud-49-320.jpg)
Azure Data Factory – Data Management für die Cloud
- 1. Azure Data Factory – Data Management für die Cloud Stefan Kirner
- 2. Speaker Bio: Stefan Kirner • Teamleiter BI Solutions bei der inovex GmbH • Erfahrung mit Microsoft BI Stack seit SQL Server 2000 • Entwicklung von Data Management Lösungen in der Cloud • Microsoft Certified Systems Expert (MCSE) • Leitet seit 2006 die PASS Regionalgruppe Karlsruhe • Unterstützt Microsoft Deutschland als P-TSP im Presales Bereich • Kontakt: stefan.kirner@inovex.de
- 3. Data Factory ist einfach... Mein Sohn Leo beim Bau seiner ersten Data Factory!
- 5. ...die Wirklichkeit ist etwas komplizierter... Die Agenda: • Warum Azure Data Factory? • Beispielszenarien • Elementare Begriffe • Mit Data Factories arbeiten • Live Demo • Kosten • Vertiefungen
- 6. Warum Azure Data Factory?
- 7. Das “traditionelle” Data Warehouse
- 8. Data Warehousing verändert sich
- 9. Analytische Workflows werden immer komplexer
- 10. Announcing Azure Data Factory Es folgt ein kurzer Reklame-Block ;-)
- 11. Data Factory ist Teil der Cortana Analytics Suite
- 12. Azure Data Factory ist nicht... ...SSIS in der Cloud! SSIS Data Factory Einsatzziel Traditionelles ETL-Tool Orchestrierungsdienst Skalierbarkeit Für DWH ausreichend Für Big Data gedacht „Reichweite“ Firmennetzwerk Global in Azure Art der Software On Prem Software Managed Service Produktzyklen Lang: Jahre Kurz: Wochen
- 14. Lesen der Quelldaten In Unterordner Azure Blob Store Copy Activitiy 1:1 Kopieren der Referenzdatenvom Blob Store nach SQL Azure SQL Azure Wegschreiben der Referenzdatenin SQL Azure Tabelle Beispiel: Laden von Referenzdaten in DB
- 15. Azure Blob Store Lesen der Quelldaten In Unterordnern auf Ebene Stunde HDInsight Berechnen Aggregation mit Hive, Logging HDI und ADF Azure Blob Store Wegschreiben der Aggregationen In Unterordner auf Ebene Tag Copy Activitiy 1:1 Kopieren der Aggregationen vom Blob Store nach SQL Azure SQL Azure Wegschreiben der Aggregationen in SQL Azure Tabelle Beispiel: Daten-Aggregation mit Hadoop und Laden in DB
- 16. Beispiel: Kunden-Profiling & Spiel-Analyse Copy new users to blob storage Join and aggregate activity per week and user table Weekly Privacy: Refresh: Xbox New Users Game New Users Game Activity Per Week Daily New User Activity Per Week Contains PII Weekly, Mon by 8AM
- 17. Beispiel Kundenprojekt: Azure Consumption Reporting Auswertung Azure Consumption nach den unterschiedlichen Hierarchiestufen die im EA Azure Portal vorgesehen sind: Enrollment Level, Department, Account und Subscriptions Schnittstelle ist ein Webservice Datengrundlage sind Azure-Abrechnungsdaten Security Konzept auf Datenebene Pflege der Berechtigungen und Zuordnungen über Web-Apps Non-Functional Requirement: Nur PaaS Dienste verwenden um Betriebsaufwände auf Kundenseite zu vermeiden
- 18. Architektur Azure-Billing-API Azure Data Factory Azure DB Power BI Azure Web App Extract Archive Standard reportingRow-level Security Manage Security SettingsRead + Write Manage Mappings Leistungs- verrechnung Auswertung Read Azure AD Azure Batch + Blob Store using Integrated
- 19. Data Factory part • Sourcing 1x täglich aus Web-Schnittstelle über eigenentwickelte custom .net Activity • Nutzen von Azure Batch als Compute Knoten und Blob Store als Zwischenspeicher • Laden nach Azure SQL für Staging und DWH Layer • Alerting bei Fehlern
- 21. ADF Bausteine • Linked Service • Data Store – Speichern und Verarbeiten von Daten (SQL, Storage,...) • Data Gateway – Verbindung zu On Prem-Daten (On Premises ORACLE,...) • Compute – Verarbeitung von Daten (Batch, HDInsight, ML,...) • Data Set • Datenbeschreibung (Tabelle, Datei,...) • Activity • Verarbeitet ein Dataset und erzeugt ein neues Dataset (Copy, Hive, Stored Procedure,...) • Entweder Data Movement oder Data Transformation • Pipeline • Gruppierung von Aktivitäten, die eine bestimmte Aufgabe lösen • Deployment- & Management-Einheit für Aktivitäten
- 22. Wie hängen die Bausteine zusammen?
- 23. (Einige) Aktuell vorhandene Bausteine • Compute Linked Services • HDInsight • Azure Batch • Azure ML • Azure Data Lake Analytics • Azure SQL • Activities • Copy • HDInsight (Pig, Hive, ...) • Azure ML Batch Scoring • Stored Procedure • .NET Unterstützte Datenquellen Azure Blob Azure Table Azure SQL Database Azure SQL Data Warehouse Azure DocumentDB Azure Data Lake Store SQL Server on-premises/Azure IaaS File System On-premises/Azure IaaS Oracle Database On-premises/Azure IaaS MySQL Database On-premises/Azure IaaS DB2 Database On-premises/Azure IaaS Teradata Database On-premises/Azure IaaS Sybase Database On-premises/Azure IaaS PostgreSQL Database On-premises/Azure IaaS
- 24. Mit Data Factories arbeiten
- 25. Warnung: Achtung – Work in Progress! • „Es liegt nicht an Euch“ • Speziell die Design-Tools haben noch Ihre Macken z.B. fehlende Möglichkeit Elemente aus einem Visual Studio-Projekt zu löschen • Verfügbarkeit • derzeit nur North Europe & West US • Die Begriffe sind noch nicht „stabil“ • z.B. Dataset (in Doku) vs. „Table“ in Visual Studio • Die Metadaten-Schemata ändern sich hin und wieder • „RTFM“ ist schwierig • die Dokumentation ist ... „übersichtlich“ und gut verteilt
- 26. Eine neue Data Factory anlegen • Neues Portal • Data > Analytics • Ressource-Gruppen verwenden • für bessere Übersicht • einfachere Security • Auf die Region achten! • Die Factory ist ein Container für Pipes, Data Sets, ...
- 27. Tipp: Erste Schritte mit den ADF Beispiel-Pipelines • Einstieg mit fertigen Beispielen • Ressourcen am besten selbst vorbereiten • gregsadfsample (Ressource Group) • gregsadfsamplestorage • ...sqlserver • ...sqldatabase • Und wieder: auf Regionen achten und Ressource-Gruppen verwenden!
- 28. Im Azure Portal arbeiten • Factory-Dashboard • Werkzeuge für das Erstellen der Factory • Zustandsüberwachung • Manuelles Starten von Vorgängen • Auslastung und Diagnosen • Neu! Erweitertes Monitoring
- 29. Ein Element entwerfen & deployen • das Design ist textbasiert • JSON-Format • Für alle Elemente existieren Schemata • das heißt tatsächlich häufig „Design by Copy and Paste“
- 30. Übersicht mit dem Diagramm gewinnen • Das Diagramm zeigt eine Übersicht über die Factory an • Es ist kein grafischer Designer • Das Lineage-Highlighting vereinfacht die Orientierung in komplexen Factories
- 31. In Visual Studio entwickeln • Voraussetzung: Azure .NET SDK ab 2.7 aufwärts • Visual Studio ab Version 2013 • Syntax-Highlighting erst ab 2015 • Mit dem SDK Setup werden die passenden Projekt-Templates installiert • Prozess: • Offline-Entwurf • Build • Deploy • Monitoring findet im Portal statt • Einbindung in Source Code-Kontrolle • Tipp: Save & Build nach jedem neuen Element
- 32. Ein Projekt Reverse engineeren • Im Portal vorhandene Factories können einfach in ein Projekt überführt werden • Server Explorer • Export Data Factory to New Project
- 33. Neue Objekte entwerfen • Templates enthalten • Code-Fragemente • Verweis auf das passende Schema
- 34. Von Visual Studio aus publizieren • in neue oder bestehende Factory publizieren • Offline-Projekt wird mit der Online-Factory verglichen • zu publizierende oder zu löschende Elemente können an- oder abgewählt werden
- 35. Ausführung überwachen • im Portal ADF Dashboard unter Contents • am besten unter Datasets nachschauen • Infos: • aktueller Status • ausgeführte Aktivitäten • Meldungen • .. • in den Slices kann Aktivität neu gestartet werden • Jetzt gibt’s aber auch die „Monitoring App“
- 36. Überwachen und verwalten mit der Monitoring App • Besteht aus 3 Teilen: • Resource Explorer • Monitoring Views • Alerts • Debugging der Data Factory über versch. Ansichten • Starten von Batches mit abh. Slices • Anlegen von Email Alerts (detaillierter als bisher)
- 38. Resource Explorer • Detaillierte Auswertungen über Verläufe, schön dargestellt • Drill down in die Pipelines
- 39. Resource Explorer zum Restart
- 41. Kosten
- 42. Was kostet denn das eigentlich? ...gar nicht so einfach zu beantworten • „Die ersten 5 Aktivitäten mit niedriger Auslastung sind ... in einem Monat kostenlos“ - ah, ja... • Häufigkeitsklassen • max. 1 X pro Tag: „weniger häufig“. Sonst: „sehr häufig“ (also z.B. 2 X pro Tag ;-) ) • Kosten für Aktivitäten • ab 100 Aktivitäten/Monat 20% Rabatt • Data Movement Service (wird in der Quelle gemessen) • Cloud: €0.2109/h • On-Premises: €0.0844/h Weniger häufig Sehr häufig Cloud €0,506 €0,6747 On-Premises €1,26 €2,1083
- 43. Beispiel-Rechnung (Customer Profiling-Szenario) • Aktivitäten / Monat • 30 X Copy – 4: 28 On-Prem • 4 X Join/Aggregate – 4: 0 Cloud • Data Movement • User aus dem on Prem SQL Server holen: 30 X 1h • User aus dem Blog Storage holen: 4 X 0,25h • Game-Daten aus dem Blob Storage holen: 4 X 5h • Pro Jahr ca. 500€ für die Factory Aktivitäten On-Prem 28 €1,26 €35,00 Movement On-Prem 30 €0.0844 €2,50 Movement Cloud 21 €0.2109 €4,40 ca. €42/Monat
- 44. Vertiefungen
- 45. Zeitplanung • start/end-Elemente in der Pipeline • Pipeline steht in diesem Zeitraum prinzipiell zur Verfügung • Slice • Zeitscheibe (Intervall) für die Dataset-Verarbeitung • Frequenz der Generierung kann im Input-Dataset, einer Aktivität, im Output-Dataset definiert sein • das Output-Dataset gibt den Takt vor • Aktivität startet, wenn passendes Input Slice vorhanden ist • Bezeichnung der Zeitplanungs-Elemente • Dataset: Availability • Aktivität: Scheduler • Aufbau dieser Element-Typen ist identisch
- 46. Zeitplanungs-Eigenschaften • "scheduler": { "frequency": "Hour", "interval" } • Intervalle starten um 0 Uhr • style: StartOfInterval / EndOfInterval • frequency = Month & style = EndOfInterval: Letzter Tag im Monat • anchorDateTime: Zeitpunkt, von dem aus slices berechnet werden • z.B. 2015-10-19T08:00:00" }
- 47. Zeitplanung in einer Pipeline • slices können unterschiedlich sein • Output-Slices und Aktivitäts-Windows müssen übereinstimmen • die aktuellen Zeitpunkte können über Systemvariablen abgefragt werden • Startdatum in der Vergangenheit • alle Slices werden automatisch aufgefüllt
- 48. Beispiel: SQL Dataset als Input & Blob als Output • "availability": { "frequency": "Hour", "interval": 1 }, • soll zwischen 8h und 11h ergeben: • mypath/2015/1/1/8/Data.txt 10002345,334,2,2015-01-01 08:24:00.3130000 10002345,347,15,2015-01-01 08:24:00.6570000 10991568,2,7,2015-01-01 08:56:34.5300000 • mypath/2015/1/1/9/Data.txt 10002345,334,1,2015-01-01 09:13:00.3900000 24379245,569,23,2015-01-01 09:25:00.3130000 16777799,21,115,2015-01-01 09:47:34.3130000
- 49. Beispiel: Copy Activity für time sliced-SQL Daten ... "activities": [{ "type": "Copy", "name": "AzureSQLtoBlob", "description": "copy activity", "typeProperties": { "source": { "type": "SqlSource", "sqlReaderQuery": "$$Text.Format( 'SELECT * from MyTable WHERE timestampcolumn >= '{0:yyyy-MM-dd HH:mm}' AND timestampcolumn < '{1:yyyy-MM-dd HH:mm}' ', WindowStart, WindowEnd )" }, "sink": { "type": "BlobSink", "writeBatchSize": 100000, "writeBatchTimeout": "00:05:00" } }, "inputs": [ { "name": "AzureSQLInput" } ], ... Fazit: Mächtig aber auch strange…hier soll ein Update kommen!
- 50. Pig & Hive einsetzen • HDInsight als Compute Environment • On-demand Cluster • BYOC: „Bring your own Cluster“ – bestehender Cluster • On Demand Cluster als Linked Service { "name": "HDInsightOnDemandLinkedService", "properties": { "type": "HDInsightOnDemand", "typeProperties": { "clusterSize": 4, "timeToLive": "00:05:00", "version": "3.1", "osType": "linux", "linkedServiceName": "MyBlobStore" ...
- 51. Hybride Szenarien • Data Management Gateway • Erhältlich im Microsoft Download Center • http://www.microsoft.com/de-de/download/details.aspx?id=39717 • läuft nur unter Windows • max. ein Gateway auf einem Rechner • wird auch von Power BI verwendet • Datenquellen können sich ein Gateway teilen • ...aber ein Gateway gehört zu einer Factory
- 52. Vorhersagepipelines mit Azure ML • Verwendet veröffentlichtes Azure ML Scoring Modell • Scoring via Batch-API • Auch Re-Training ist möglich
- 53. Outlook & Call to action
- 54. Roadmap Stand Dez. 2015
- 56. • Documentation: azure.com/df • Samples on GitHub • Ask questions: MSDN Forum • Request & vote on new features • Financial services blueprint • Case Studies • Milliman - Actuarial Automation • Rockwell Automation - Operational Excellence • Ziosk – Improved Guest Experience & Satisfaction Call to Action
- 57. Ressourcen • ADF Blog https://azure.microsoft.com/en-us/blog/tag/azure-data-factory/ • ADF vs. SSIS (PASS Präsentation) www.sqlpass.org/EventDownload.aspx?suid=3583 • Channel 9 „Data Exposed“ Videos https://channel9.msdn.com/Shows/Data-Exposed