最近Digdagembulkを勉強してまして、以前、イマイチDiddagについてまったく理解出来ませんでした。この2つは分析基盤(redashやらログ系)でよく使われており、しかも相性がめちゃくちゃいいとのことで簡単に分かりやすくまとめてみました。


■Digdagって何よ?

TreasureData社がOSSで公開しているツールで、依存関係のある複数のタスクを実行するワークフローエンジンです。簡単に言うと、

「ジョブ管理→cron(バッチ)」

と言えばイメージが湧くと思います。

ワークフローエンジンと言えばJenkinsジジイ、Airflow、Luigiなどがありますが、
Digdagはそれらと比べて3つのメリットがあります。

・YAMLでシンプル,学習コストが低い
・High Availability(HA)構成が容易
・分散環境での動作が容易

少しDigdagの設定ファイルを見てみましょう。

・run.dig

https://docs.digdag.io/scheduling_workflow.html

上記の例では「スケジューラー機能」と呼ばれるもので、アクセスログとエラーログ
毎日3時にDigdagちゃんがタスクを実行してくれます。ちなみにDigdagのコマンドリファレンスは以下で実行ファイルも適当に作ってみました。

https://docs.digdag.io/command_reference.html

・adachin-server_access_log.dig

で、embulkを組み合わせると!?


■embulkって何よ?

これまたTreasureData社がOSSで公開しているツールで、(古橋さん開発)ファイルやデータベースからデータ抽出を行い、別のストレージやデータベースにデータ転送するためのツールです。もちろんYAML!!設定ファイル見てみましょう。

・config.yml

・adachin-server-bq.json

S3からアクセスログを抽出してBigQueryに飛ばす(同期)ようなことをしています。bigqueryのテーブルスキーマはjsonで作成し、embulk parserで各カラムにつけた型と合わせるだけです。この実行をDigdagでワークフローしてもらいます。構成図は!?


■redash x fluentd x Digdag x embulk

参考
https://qiita.com/shiozaki/items/f79eecf8e1878aa64a40

Digdagを使うと、embulkの複数起動を効率的に管理して、データ抽出やら転送がイージーになるわけですな。基本サーバのアクセスログはfluentdを使ってs3に飛ばしましょう。あとはredashがBigQueryの中見ればアクセスログなどの可視化ができる!!!

ちなみにDigdagの管理画面ではjobがエラー吐いているのかなども可視化されているので分かりやすい!
参考
https://qiita.com/skryoooo/items/d5c2e092355bd02228c8


■まとめ

分析基盤ならDigdagとembulkで決まりですな。次回はDigdagのコマンドなど徹底して紹介したいと思います!redashはv4に!!!!!!!!

[Redash][upgrade]ついに待望のv4.0.0にアップグレードしてみましたぜ!!

参考
https://qiita.com/nagais/items/47f1cbb117584dbc18c2


カテゴリー: digdagembulkRedash

adachin

1989年生まれのFindy/SRE。ホスティングから大規模なアドテクなどのインフラエンジニアとして携わる。現在はサービスの信頼性向上、DevOps、可用性、レイテンシ、パフォーマンス、モニタリング、オブザーバビリティ、緊急対応、AWSでのインフラ構築、Docker開発環境の提供、IaC、新技術の検証、リファクタリング、セキュリティ強化、分析基盤の運用などを担当している。個人事業主では数社サーバー保守とベンチャー企業のSREインフラコンサルティングやMENTA/TechBullで未経験者にインフラのコーチング/コミュニティマネージャーとして立ち上げと運営をしている。また、過去「脆弱性スキャナVuls」のOSS活動もしており、自称エバンジェリスト/技術広報/テクニカルサポート/コントリビュータでもある。

0件のコメント

コメントを残す

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください