AWS 教您手把手玩转 Apache Superset 可视化 Amazon S3 里的数据

为了让数据挖掘和数据查询能够更加普世化，惠及更多的想使用数据的但缺乏SQL能力的一般数据消费者，各类数据可视化工具应运而生，像Amazon Quicksight就是这样一款产品。目前AWS中国区Amazon Quicksight还没有上线，开源界也有不少好用的可视化项目，Apache Superset就是其中之一。

本篇博客会带您一步一步地在AWS上部署Apache Superset并在Superset上创建一个展示新冠肺炎情况的Dashboard（示例如下）。新冠肺炎数据存储于Amazon S3上并通过Amazon Athena来直接查询。

Apache Superset基本功能：

支持多种图表类型和数据源类型
支持通过可视化的方式进行数据探索并一键生成展示看版，并提供数据下载功能
支持报表分享和复杂的权限管理
支持直接写SQL构建基于原始数据的逻辑虚拟层

准备好我们就开始吧，以下步骤基于AWS 宁夏区域！

步骤 1：使用docker部署apache superset

本步骤阐述了如何在Amazon Linux环境中部署Superset，并且在宁夏区域已经准备好了一个公用的Superset AMI环境。这个AMI中包含了所有下述步骤创建的Superset报表和所需数据，如果直接使用此AMI的话可以跳过步骤1，AMI 名字为AWS-Demo-Superset-Covid19，可以在宁夏区Amazon EC2 公有映像中找到。登录的用户名密码默认都是admin，默认的Web端口是8088。

注意：此AMI仅供本博客教学演示使用，非官方认证AMI请勿直接用于生产环境。

1.1 启动一台Amazon Linux EC2并安装启动docker环境，需要机型为t.xlarge及以上，EBS盘20GB以上。

sudo yum update -y

# install python3 gcc
sudo yum install -y python3 libpq-dev python3-dev
sudo yum install -y gcc gcc-c++

# add following into ~/.bashrc
echo "export PATH=/usr/local/bin:$PATH" >> ~/.bashrc
echo "alias python=python3" >> ~/.bashrc
echo "alias pip=pip3" >> ~/.bashrc
source ~/.bashrc
python --version

# install docker
sudo yum -y install docker
sudo usermod -a -G docker ec2-user
sudo systemctl start docker
sudo systemctl status docker
sudo systemctl enable docker
sudo chmod 666 /var/run/docker.sock
docker ps

# install docker-compose
sudo curl -L "https://github.com/docker/compose/releases/download/1.25.4/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
sudo ln -s /usr/local/bin/docker-compose /usr/bin/docker-compose
docker-compose --version

1.2 下载Superset Docker文件

sudo yum install -y git curl
git clone https://github.com/apache/incubator-superset/

1.3 修改Dockerfile安装PyAthena插件以支持Athena数据源

cd incubator-superset
vi Dockerfile

加入连接Athena需要的依赖

RUN pip install PyAthenaJDBC \
        && pip install PyAthena \
        && pip install psycopg2

重新build和启动Superset

docker-compose build
docker-compose up

需要配置管理员用户权限，在docker/docker-init.sh中默认创建用户admin（密码也是admin）但权限并没有更新，通过以下命令更新权限

docker-compose exec superset bash
superset init

1.4 配置成功后，Superset默认使用8088端口，使用http://<EC2 公有IP>:8088访问，用户名和密码均为admin（注意：国内AWS账户需要ICP备案才能访问）

1.5 本实验使用本地存储来保存用户名和密码，如需要配置外部的数据库用来存储登录数据Docker的配置请参考Github文档。另外Superset也支持LDAP或者OpenID登录，配置文件

步骤 2：配置新冠数据实时数据源

本实验中的数据来源于约翰.霍普金斯大学的实时更新的开放数据集。此S3存储桶在海外账户，如果海外账号可以参照博客，但如果国内区域的话需要同步到国内的S3桶中使用。

2.1 同步海外S3的数据源到宁夏S3

Option 1:可以使用同步工具设置源桶和目标桶来同步数据

https://github.com/aws-samples/amazon-s3-resumable-upload

需要同步的S3路径为s3://covid19-lake/enigma-jhu/，每个文件夹里面有json和csv两种类型的数据，选择其一即可。此数据缺乏省市名字到ISO3166-2代码映射表，Superset中的城市地图需要用到。需要使用AMI （AWS-Demo-Superset-Covid19）中的province_code_mapping数据。

Option 2: 2020-04-22号的静态数据存储在机器AMI（AWS-Demo-Superset-Covid19）的/home/ec2-user/data/ 可使用以下命令上传到位于宁夏的S3桶中

aws s3 cp /home/ec2-user/data/ s3://<宁夏S3桶名字>/ --recursive

2.2 AWS Glue爬取S3数据生成Athena 表

配置一个Glue的爬网程序，指定宁夏S3桶数据的根目录（包含两张表的数据，爬虫会自动分表），并配置表前缀为covid19_ 数据库为covid19。具体操作参照官方文档。

2.3 原始数据存在一些重复值和需要丰富的部分，可以使用Amazon Athena创建view来简单处理。如果想要把处理的结果持久化还是推荐使用AWS Glue来做定时的ETL。创建语句如下：

CREATE OR REPLACE VIEW "daily_region_stats" AS
SELECT date_trunc('day', CAST(date_parse(last_update, '%Y-%m-%dT%T') AS TIMESTAMP)) AS day,
combined_key as region,province_state,country_region, max(confirmed) as confirmed ,max(deaths) as deaths,max(recovered) as recovered
FROM "covid19"."covid19_enigma_jhu" 
group by date_trunc('day', CAST(date_parse(last_update, '%Y-%m-%dT%T') AS TIMESTAMP)),
combined_key,province_state,country_region

CREATE OR REPLACE VIEW region_stats_snapshot AS 
WITH
  src AS (
   SELECT
     "province_state"
   , "combined_key"
   , (CASE "country_region" WHEN 'US' THEN 'United States' ELSE "country_region" END) "country_region"
   , "max"("confirmed") "confirmed"
   , "max"("deaths") "deaths"
   , "max"("recovered") "recovered"
   FROM
     covid19.covid19_enigma_jhu
   GROUP BY "province_state", "country_region", "combined_key"
) 
SELECT
  src.*
, "iso_code"
FROM
  (src
LEFT JOIN covid19_province_code_mapping USING (province_state))

步骤 3：SUPERSET配置ATHENA数据源并创建DASHBOARD

如果使用AMI（AWS-Demo-Superset-Covid19），图表和Dashboard已经配好，只需要修改步骤3.1中数据库连接中的S3_staging_dir为自己的S3地址即可，另外EC2的IAM角色需要有相应权限。以下步骤仅展示Superset的基本功能，如果想要深入了解细节操作请参照Superset官网。

3.1 Superset中可以指定不同的数据源，通过 Sources-> Databases添加Athena为数据源。

部署Superset的EC2附加的IAM角色需要有 Athena查询和Glue Catalog的权限，为方便起见可以赋予AthenaFullAccess和GlueFullAccess。但实际情况请按照最小权限原则来保障安全。