将 HAQM DocumentDB（与 MongoDB 兼容）数据归档到 HAQM S3

• 根据政策、适用的法律法规，支持企业对延长保留期的合规性要求
• 以较低的成本长期存储文档，以满足不常见的使用案例要求
• 将 HAQM DocumentDB 专用于运营数据，同时在 HAQM S3 中维护 JSON 集合以用于分析目的
• 满足 HAQM DocumentDB 中当前最大 64 TiB 数据库和 32 TiB 集合大小限制以外的容量需求

通常，较旧的文档集合访问频率较低，且不需要 HAQM DocumentDB 更高的性能特性。因此，较旧的文档很适合归档到成本较低的 HAQM S3 中。本文介绍了一种使用 tweet 数据的解决方案，它将文档更新存储在 HAQM DocumentDB 中，同时将文档更改流式传输到 HAQM S3。为了保持或减少集合大小，最佳做法是使用滚动集合方法删除较早的集合。相关详情，请参阅使用滚动集合优化 HAQM DocumentDB 中的数据归档成本。

解决方案概述

要将 HAQM DocumentDB 数据归档到 HAQM S3，我们使用 HAQM DocumentDB 更改流功能。更改流提供集群集合中发生的更改事件序列（按时间顺序排列）。应用程序可以使用更改流订阅单个集合或数据库的数据更改。

在该解决方案中，我们使用 AWS Secrets Manager，提供对 HAQM DocumentDB 凭据、集群端点和端口号的安全访问。我们还使用按计划运行的 HAQM EventBridge 规则来触发 AWS Lambda 函数，以将文档更改写入 HAQM S3。EventBridge 是一种无服务器事件总线，使用从应用程序生成的事件，可以轻松地大规模构建事件驱动型应用程序。Lambda 是一种无服务器事件驱动型计算服务，让您能够为几乎任何类型的应用程序或后端服务运行代码，而无需预置或管理服务器。下图展示了该解决方案架构。

将 HAQM DocumentDB 更改流写入 HAQM S3

我们使用 Lambda 轮询更改流事件并将文档写入 HAQM S3。GitHub 上提供 Lambda 函数。此外，HAQM DocumentDB 研讨会可供您试用该解决方案。

Lambda 函数为无状态函数，运行时持续时间有限。由于这些特性，该解决方案要求 EventBridge 安排 Lambda 函数以定义的频率（在本例中为 1 分钟）运行，以确保对 HAQM DocumentDB 更改流事件进行持续轮询。Lambda 函数连接到 HAQM DocumentDB，并在预定义的 15 秒时间段内监视是否发生更改。在每个轮询周期结束时，该函数将最后轮询的恢复令牌写入不同的集合，以供后续检索。恢复令牌是一种更改流功能，它使用的令牌等于上次检索的更改事件文档的 _id 字段。在 HAQM DocumentDB 中，每个文档都需要一个唯一的 _id 字段作为主键。恢复令牌用作下一次 Lambda 函数调用的更改流检查点机制，以便从上一个函数停止的地方恢复新文档的轮询活动。更改流事件在集群上发生时按顺序排列，默认情况下会在事件记录后存储 3 小时。

对于要归档现有数据的集合，在启用更改流之前，您可以使用 mongoexport 等实用程序，将您的集合以 JSON 格式复制到 HAQM S3。mongoexport 工具可创建数据的时间点快照。然后，您可以使用 resumeAfter 更改流选项，并在导出完成时记录恢复令牌。大致步骤如下所示：

1. 使用 mongoexport 将要归档的集合导出到 HAQM S3。
2. 记录时间戳和上次更新的 _id。
3. 插入 canary 文档，该文档可用作更改流监视文档更新的起点（我们在下面提供了代码块示例）。
4. 使用 startAtOperationTime 或 resumeAfter 命令在集合上启用更改流。

如果使用的是 HAQM DocumentDB 4.0+ 版本，则您可以使用更改流的 startAtOperationTime 命令，无需插入 canary 记录（第 3 步）。使用 startAtOperationTime 时，更改流游标仅返回在指定时间戳或之后发生的更改。有关使用 startAtOperationTime 命令的示例代码，请参阅通过 startAtOperationTime 恢复更改流。

您可以使用 change_stream_log_retention_duration 参数，将更改流保留期配置为将更改的文档存储长达 7 天。执行导出操作时，更改流保留期必须足够长，以确保存储从第 1 步中开始导出到第 4 步中完成导出后启用更改流的所有文档更改。

Lambda 代码演示

本部分中介绍的 Lambda Python 代码示例可在 GitHub 上找到。Lambda 函数使用环境变量配置数据库以监视更改事件、用于归档数据的 S3 存储桶、HAQM DocumentDB 集群端点以及其他一些可配置的变量，如以下屏幕截图所示。

代码中的 Lambda 处理程序函数使用 PRIMARY 读取首选项建立与 HAQM DocumentDB 集群的连接，并连接到在环境变量 WATCHED_DB_NAME 中配置的数据库。只有连接到 HAQM DocumentDB 集群的主实例（在撰写本文时）才支持更改流。然后，Lambda 处理程序函数检索最后处理过的 _id，以用作下一次 Lambda 调用的恢复令牌，并将其存储在由 STATE_DB 和 STATE_COLLECTION 环境变量识别的单独数据库和集合中。

接下来，我们来讨论一些关键的 Python 代码块。

以下代码是 get_last_processed_id 函数，它存储与上次成功处理的变更事件相对应的恢复令牌：

def get_last_processed_id():
last_processed_id = None
try:
state_collection = get_state_collection_client()
if "WATCHED_COLLECTION_NAME" in os.environ:
state_doc = state_collection.find_one({'currentState': True, 'dbWatched': str(os.environ['WATCHED_DB_NAME']),
'collectionWatched': str(os.environ['WATCHED_COLLECTION_NAME']), 'db_level': False})
else:
state_doc = state_collection.find_one({'currentState': True, 'db_level': True,
'dbWatched': str(os.environ['WATCHED_DB_NAME'])})

if state_doc is not None:
if 'lastProcessed' in state_doc:
last_processed_id = state_doc['lastProcessed']
else:
if "WATCHED_COLLECTION_NAME" in os.environ:
state_collection.insert_one({'dbWatched': str(os.environ['WATCHED_DB_NAME']),
'collectionWatched': str(os.environ['WATCHED_COLLECTION_NAME']), 'currentState': True, 'db_level': False})
else:
state_collection.insert_one({'dbWatched': str(os.environ['WATCHED_DB_NAME']), 'currentState': True,
'db_level': True})

except Exception as ex:
logger.error('Failed to return last processed id: {}'.format(ex))
raise
return last_processed_id

Lambda 处理程序函数监视更改流中是否存在任何更改事件，并调用 get_last_processed_id 函数：

with watcher.watch(full_document='updateLookup', resume_after=last_processed_id) as change_stream:

启用更改流后首次触发 Lambda 函数时，将 last_processed_id 设置为 None。要激活更改流并开始捕获更改事件，需要插入并删除一条 canary 记录，以用作虚拟记录来开始捕获更改事件：

if last_processed_id is None:
canary_record = insertCanary()
deleteCanary()

更改在当前调用的循环中流式传输 1 分钟，或者直到每次调用要处理的文档数量达到为止：

while change_stream.alive and i < int(os.environ['Documents_per_run']):
i += 1
change_event = change_stream.try_next()

change_event 变量包含一个操作类型，用于指示事件是否对应于插入、更新或删除事件。所有事件都包含 _id。插入和更新事件也包括文档正文。change_event 变量的内容用于创建包含文档 ID、正文和上次更新时间戳的负载。然后，此负载将写入由 BUCKET_NAME 环境变量指示的 HAQM S3 存储桶中。

if op_type in ['insert', 'update']:
print('In insert optype')
doc_body = change_event['fullDocument']
doc_id = str(doc_body.pop("_id", None))
readable = datetime.datetime.fromtimestamp(change_event['clusterTime'].time).isoformat()
doc_body.update({'operation':op_type,'timestamp':str(change_event['clusterTime'].time),'timestampReadable':str(readable)})
payload = {'_id':doc_id}
payload.update(doc_body)
if "BUCKET_NAME" in os.environ:
put_s3_event(json_util.dumps(payload), str(change_event['ns']['db']), str(change_event['ns']['coll']),op_id)

对于删除操作，文档 ID 和上次更新的时间戳存储在 HAQM S3 中：

if op_type == 'delete':
doc_id = str(change_event['documentKey']['_id'])
readable = datetime.datetime.fromtimestamp(change_event['clusterTime'].time).isoformat()
payload = {'_id':doc_id}
payload.update({'operation':op_type,'timestamp':str(change_event['clusterTime'].time),'timestampReadable':str(readable)})
if "BUCKET_NAME" in os.environ:
put_s3_event(json_util.dumps(payload), str(change_event['ns']['db']), str(change_event['ns']['coll']),op_id)

最后，如果您想要识别已删除的文档并查看文档修订，可以使用文档 ID 通过 Athena 查询 HAQM S3。若要了解详情，请访问研讨会通过 HAQM DocumentDB 更改流归档数据。

结论

在本文中，我们提供了将 HAQM DocumentDB 文档归档到 HAQM S3 的使用案例，以及指向 HAQM DocumentDB 研讨会的链接，供您试用该解决方案。我们还提供了指向解决方案核心的 Lambda 函数的链接，并介绍了一些关键代码部分，便于您更好地理解。

您有需要跟进的问题或反馈吗？ 发表评论。要开始使用 HAQM DocumentDB，请参阅开发人员指南。

关于作者

Mark Mulligan 是 AWS 的高级数据库专家解决方案架构师。他乐于帮助客户采用 HAQM 专门构建的数据库，包括 NoSQL 和 Relational 数据库，以满足业务需求并最大限度地提高投资回报率。他的职业生涯始于客户，担任过大型机系统程序员和 UNIX/Linux 系统管理员等职务，从而使自己逐渐理解了客户对成本、性能、卓越运营、安全性、可靠性和可持续性等方面的要求。

Karthik Vijayraghavan 是 AWS 的资深 DocumentDB 专家解决方案架构师。他一直在帮助客户使用 NoSQL 数据库实现应用程序现代化。他喜欢解决客户问题，热衷于大规模地提供具有成本效益的解决方案。Karthik 在职业生涯之初是开发人员，构建 Web 和 REST 服务，重点关注与关系数据库的集成，从而能够与正在迁移到 NoSQL 的客户产生关系。