Azure Cosmos DB 的 Azure 流分析输出

Azure 流分析可以将 JSON 格式的数据输出到 Azure Cosmos DB 以进行 JSON 输出，从而支持对非结构化 JSON 数据进行数据存档和低延迟查询。 本文档包括用于实现此配置的一些最佳做法。 使用 Azure Cosmos DB 作为输出时，建议你将作业设置为兼容级别 1.2。

作为输出目标的 Azure Cosmos DB 的基础知识

使用流分析中的 Azure Cosmos DB 输出可以将流处理结果作为 JSON 输出写入到 Azure Cosmos DB 容器中。 流分析不会在数据库中创建容器。 相反，你需要提前创建容器。 然后，你可以控制 Azure Cosmos DB 容器的计费成本。 还可以使用 Azure Cosmos DB APIs 直接调整容器的性能、一致性和容量。 以下部分详细介绍了 Azure Cosmos DB 的一些容器选项。

调整一致性、可用性和延迟

为了满足应用程序的要求，Azure Cosmos DB 允许你微调数据库和容器，并在一致性、可用性、延迟和吞吐量之间进行权衡。

根据方案针对读写延迟需要什么级别的读取一致性，可以在数据库帐户上选择一致性级别。 可以通过纵向扩展容器中的请求单位 (RU) 数来提高吞吐量。 另外，默认情况下，Azure Cosmos DB 会对容器的每个 CRUD 操作启用同步索引。 这是另一个有用选项，可控制 Azure Cosmos DB 中的读/写性能。 有关详细信息，请参阅更改数据库和查询的一致性级别一文。

从流分析进行 Upsert 操作

由于流分析与 Azure Cosmos DB 集成，因此可以在容器中基于给定的“文档 ID”列插入或更新记录。 此操作也称为“更新插入”。 流分析使用乐观 Upsert 方法。 即仅当由于文档 ID 冲突而插入失败时才进行更新。

在 1.0 兼容级别中，流分析将此更新作为 PATCH 操作执行，因此可以对文档进行部分更新。 流分析添加新属性或增量替换现有属性。 但是，JSON 文档中数组属性值的更改会导致覆盖整个数组。 也就是说，不会合并数组。

在 1.2 级别中，更新插入行为已修改为插入或替换文档。 关于兼容性级别 1.2 的部分，后面将进一步描述这种行为。

如果传入的 JSON 文档具有现有的 ID 字段，则该字段将自动用作 Azure Cosmos DB 中的“文档 ID”列。 任何后续的写入操作都以这种方式进行处理，这会导致以下情况之一：

• 唯一ID 导致插入。
• 重复的 ID 和设置为“ID”的“文档 ID”导致更新插入。
• 在第一个文档之后，重复的 ID 和未设置的“文档 ID”导致错误。

如果要保存“所有”文档（包括具有重复 ID 的文档），请重命名查询中的 ID 字段（使用“AS”关键字）。 让 Azure Cosmos DB 创建 ID 字段，或用另一列的值替换 ID（使用“AS”关键字，或者使用“文档 ID”设置）。

Azure Cosmos DB 中的数据分区

Azure Cosmos DB 会根据工作负载自动缩放分区。 因此，建议使用无限制容器对数据进行分区。 当流分析写入到无限制的容器时，它会使用先前查询步骤或输入分区方案中一样多的并行写入器。

你可能会收到以下警告，具体取决于你选择的分区键：

CosmosDB Output contains multiple rows and just one row per partition key. If the output latency is higher than expected, consider choosing a partition key that contains at least several hundred records per partition key.

请务必选择包含许多不同值的分区键属性，并且该属性支持跨这些值均匀分布工作负载。 作为分区的自然项目，涉及同一分区键的请求受到单个分区的最大吞吐量的限制。

属于同一分区键值的文档的存储大小上限为 20 GB（物理分区大小上限为 50 GB）。 理想的分区键可以作为筛选器频繁出现在查询中，并具有足够的基数，以确保解决方案可缩放。

用于流分析查询和 Azure Cosmos DB 的分区键不需要完全相同。 完全并行拓扑建议使用输入分区键(PartitionId)作为流分析查询的分区键，但对于 Azure Cosmos DB 容器的分区键而言，这可能不是建议的选择。

分区键也是 Cosmos DB 的存储过程和触发器中的事务处理的边界。 选择分区键时，应确保在事务中同时出现的文档使用相同的分区键值。 如需详细了解如何选择分区键，请参阅 Azure Cosmos DB 中的分区一文。

对于固定的 Azure Cosmos DB 容器，在这些容器已满后，流分析不允许通过任何方式进行纵向或横向扩展。 这些集合的大小上限为 10 GB，吞吐量上限为 10,000 RU/秒。 若要将数据从固定的容器迁移到无限制容器（例如，吞吐量至少为 1,000 RU/秒，且具有分区键），请使用数据迁移工具或更改源库。

即将弃用写入多个固定容器的功能。 不建议将其用于横向扩展流分析作业。

使用兼容性级别 1.2 改进了吞吐量

借助兼容性级别 1.2，流分析支持使用本机集成来批量写入到 Azure Cosmos DB。 该集成可以有效地对 Azure Cosmos DB 进行写入，同时可以最大程度地提高吞吐量和有效处理限制请求。

新兼容性级别改变了更新插入行为，提供一种改进的写入机制。 在 1.2 之前的级别，更新插入行为是插入或合并文档。 在 1.2 级别中，更新插入行为已修改为插入或替换文档。

在 1.2 之前的级别，流分析需使用自定义的存储过程将文档按分区键批量更新插入到 Azure Cosmos DB 中。 其中的批作为事务写入。 即使只有一条记录遇到暂时性错误（限制），也必须重试整个批。 此行为会使具有合理限制的方案的运行速度也变得相对缓慢。

以下示例显示了从同一 Azure 事件中心输入读取数据的两个相同流分析作业。 这两个流分析作业已使用直通查询完全分区，并写入到相同的 Azure Cosmos DB 容器。 左侧的指标来自配置了兼容性级别 1.0 的作业。 右侧的指标来自配置了版本 1.2 的作业。 Azure Cosmos DB 容器的分区键是来自输入事件的唯一 GUID。

事件中心的传入事件速率是配置引入的 Azure Cosmos DB 容器 (20K RU) 的 2 倍，因此，预期会在 Azure Cosmos DB 中进行限制。 但是，使用版本 1.2 的作业一贯以更高的吞吐量（输出事件数/分钟）写入，并且其平均 SU% 利用率更低。 在你的环境中，这种差异将取决于多个因素。 这些因素包括：事件格式的选择、输入事件/消息大小、分区键和查询。

使用 1.2 级别时，流分析可以更智能地利用 Azure Cosmos DB 中 100% 的可用吞吐量，并且在存在节流限制或速率限制的情况下，只需重新提交极少的次数。 对于其他工作负荷（例如，同时在容器上运行的查询），此行为可以提供更好的体验。 如需了解 Azure Cosmos DB 作为接收器（每秒接收 1000 到 10000 条消息）如何横向扩展流分析，请尝试此 Azure 示例项目。

1\.0 和 1.1 级别的 Azure Cosmos DB 输出具有相同的吞吐量。 强烈建议对 Azure Cosmos DB 的流分析使用兼容性级别 1.2。

JSON 输出的 Azure Cosmos DB 设置

使用 Azure Cosmos DB 作为流分析中的输出时，会生成以下信息提示。

配置 Azure Cosmos DB 输出后，可以在查询中将其用作 INTO 语句的目标。 当使用这种方式进行 Azure Cosmos DB 输出时，需要显式设置分区键。

输出记录必须包含一个区分大小写的列，该列以 Azure Cosmos DB 中的分区键命名。 若要实现更大的并行化，该语句可能需要使用同一列的 PARTITION BY 子句。

下面是一个示例查询：

    SELECT TollBoothId, PartitionId
    INTO CosmosDBOutput
    FROM Input1 PARTITION BY PartitionId

错误处理和重试

如果流分析将事件发送到 Azure Cosmos DB 时出现了暂时性故障、服务不可用或受到限制，流分析将无限期重试以成功完成操作。 但它不会尝试对以下失败进行重试：

• Unauthorized（HTTP 错误代码 401）
• NotFound（HTTP 错误代码 404）
• Forbidden（HTTP 错误代码 403）
• BadRequest（HTTP 错误代码 400）

常见问题

1. 将向集合添加唯一索引约束，流分析的输出数据违反此约束。 请确保流分析的输出数据不违反唯一约束，或将约束删除。 有关详细信息，请参阅 Azure Cosmos DB 中的唯一键约束。

2. PartitionKey 列不存在。

3. Id 列不存在。

后续步骤

• 了解 Azure 流分析的输出
• 从 Azure 流分析输出到 Azure SQL 数据库
• Azure 流分析自定义 blob 输出分区