xml地图|网站地图|网站标签 [设为首页] [加入收藏]
MaxCompute重装上阵 第五弹 - SELECT TRANSFOR
分类:科技中心

www.337.net 1

编译此脚本,可以观察执行计划如下

www.337.net 2

除此之外,针对MaxCompute用户的特点,也就是需要在非常复杂的业务场景下,支持对己大量数据的处理,MaxCompute提供了特有的脚本模式和参数化视图,将在下一次为您介绍。

性能

selectabs(-1),length('abc'),getdate();

SELECT TRANSFORM 介绍

SELECT*frommytable1whereidin(selectidfrommytable2wherevalue= mytable1.value);

MaxCompute(原ODPS)是阿里云自主研发的具有业界领先水平的分布式大数据处理平台, 尤其在集团内部得到广泛应用,支撑了多个BU的核心业务。 MaxCompute除了持续优化性能外,也致力于提升SQL语言的用户体验和表达能力,提高广大ODPS开发者的生产力。

迁移一个原来在Oracle上面的ETL系统,发现用了 WHERE EXISTS( SELECT ...) 和 WHERE IN (SELECT ...) 这类的语句,可是发现ODPS在这方面支持不完整,还要手工将这些半连接的语句转换为普通JOIN,再过滤。。。

这个例子是为了说明,很多java的utility可以直接拿来运行。java和python虽然有现成的udtf框架,但是用select transform编写更简单,并且不需要额外依赖,也没有格式要求,甚至可以实现离线脚本拿来直接就用。

SELECT*frommytable1 aLEFTANTIJOINmytable2 bona.id=b.id;

第四弹 - CTE,VALUES,SEMIJOIN

www.337.net 3

本文为云栖社区原创内容,未经允许不得转载。返回搜狐,查看更多

MaxCompute采用基于ODPS2.0的SQL引擎,对DML进行了大幅扩充,提高了易用性和兼容性,基本解决了上述问题。

上面的语句仅仅是把value原样输出,但是熟悉awk的用户,从此过上了写awk脚本不写sql的日子

返回左表中的数据,当join条件不成立,也就是mytable1中某行的id在mytable2的所有id中没有出现过,此行就保留在结果集中

select transform (key, value) using "perl -e 'while($input = <STDIN>){print $input;}'" from src;

EXISTS SUBQUERY/NOT EXISTS SUBQUERY

理论上select transform能实现的功能udtf都能实现,但是select transform比udtf要灵活得多。且select transform不仅支持java和python,还支持shell,perl等其它脚本和工具。 且编写的过程要简单,特别适合adhoc功能的实现。举几个例子:

SELECT*FROMtable1, table2WHEREtable1.id = table2.id;

此文中采用MaxCompute Studio作展示,首先,安装MaxCompute Studio,导入测试MaxCompute项目,创建工程,建立一个新的MaxCompute脚本文件, 如下

SELECT*frommytable1whereidin(selectidfrommytable2)ORvalue>0;

第三弹 - 复杂类型

标注

该命令兼容Hive的Transform功能,可以参考Hive的文档。一些需要注意的点如下:

SELECT*FROMsrcUNIONALLSELECT*FROMsrc;

  1. 用odps跑测试

是否合并或者分裂子查询,是由ODPS2.0的基于代价的优化器 (CBO)做出决定的,SQL本身的书写方式,不管是CTE还是子查询,并不能确保物理执行计划的合并或者分裂。

小结

SELECT*frommytable1 aLEFTSEMIJOINmytable2 bona.id=b.id;

作者:隐林

例如:

理论上OpenMR的模型都可以映射到上面的计算过程。注意,使用map,reduce,select transform这几个语法其实语义是一样的,用哪个关键字,哪种写法,不影响直接过程和结果。

执行后,MaxCompute Project Explorer中找到目标表,并看到values中的数据已经插入,如下:

上述功能可以使用SELECT TRANSFORM来实现

SELECT*FROMtable1JOINtable2ONtable1.id = table2.id;

上面的语句造出一份有50行的数据表,值是从1到50; 测试时候的数据就可以方便造出来了。功能看似简单,但以前是odps的一个痛点,没有方便的办法造数据,就不方便测试以及初学者的学习和探索。当然这也可以通过udtf来实现,但是需要复杂的流程:进入ide->写udtf->打包->add jar/python->create function->执行->drop function->drop resource。

场景3

www.337.net 4

LEFT SEMI JOIN

SELECT TRANSFORM 的优势:

SELECTDISTINCT*FROM(SELECT*FROMsrc1UNIONALLSELECT*FROMsrc2) t;

原标题:MaxCompute重装上阵 第五弹 - SELECT TRANSFOR

只会返回mytable1中的数据,只要mytable1的id在mytable2的id中出现过

第一弹 - 善用MaxCompute编译器的错误和警告

可以看到对src读后进行过滤的DAG。对src的读取与过滤在整个执行计划中只需要一次 ( 注1 )。

标注

其中M1, M2, M4三个分布式任务分别对应对应三个输入表,双击M2可以看到中具体执行的DAG(在DAG中再次双击可以返回),如下

或者

Select transform允许sql用户指定在服务器上执行一句shell命令,将上游数据各字段用tab分隔,每条记录一行,逐行输入shell命令的stdin,并从stdout读取数据作为输出,送到下游。Shell命令的本质是调用Unix的一些utility,因此可以启动其他的脚本解释器。包括python,java,php,awk,ruby等。

Common Table Expression (CTE)

  1. 无中生有造数据

原有ODPS也支持[NOT] IN SUBQUERY不作为JOIN条件,例如出现在非WHERE语句中,或者虽然在WHERE语句中,但无法转换为JOIN条件。MaxCompute仍然支持这种用法,但是此时因为无法转换为SEMI JOIN而必须实现启动一个单独的作业来运行SUBQUERY,所以不支持correlated条件。

  1. awk 用户会很喜欢这个功能

SELECT*frommytable1whereidin(selectidfrommytable2);

www.337.net 5

例如:

www.337.net 6

MaxCompute(原ODPS)是阿里云自主研发的具有业界领先水平的分布式大数据处理平台, 尤其在集团内部得到广泛应用,支撑了多个BU的核心业务。 MaxCompute除了持续优化性能外,也致力于提升SQL语言的用户体验和表达能力,提高广大ODPS开发者的生产力。

上次向您介绍了CTE,VALUES,SEMIJOIN,本篇向您介绍MaxCompute对其他脚本语言的支持

场景1 

  1. www.337.net,UDTF是有类型,而Transform的子进程基于stdin/stdout传输数据,所有数据都当做string处理,因此transform多了一步类型转换;
  2. Transform数据传输依赖于操作系统的管道,而目前管道的buffer仅有4KB,且不能设置, transform读/写 空/满 的pipe会导致进程被挂起;
  3. UDTF的常量参数可以不用传输,而Transform没办法利用这个优化。

LEFT ANTI JOIN

  • 注一,USING 后面的字符串,在后台是直接起的子进程来调起命令,没有起shell,所以shell的某些语法,如输入输出重定向,管道等是不支持的。如果用户需要可以以 shell 作为命令,真正的命令作为数据输入,参考“无中生有造数据”的例子;
  • 注二,JAVA 和 PYTHON 的实际路径,可以从JAVA_HOME 和 PYTHON_HOME 环境变量中得到作业;

正在开发新项目,需要给一个小数据表准备些基本数据,但是没有INSERT ... VALUES 语句,没办法把数据和创建表的DDL放在一起维护,只好另用一些脚本,调用ODPS命令行准备数据。。。

责任编辑:

等效于

或者用map,reduce的关键字会让逻辑显得清楚一些

www.337.net 7

或者使用python

SELECT*frommytable1 aLEFTSEMIJOINmytable2 bona.id=b.id;

  1. 支持其他脚本语言

a

MaxCompute基于ODPS2.0的SQL引擎,提供了SELECT TRANSFORM功能,可以明显简化对脚本代码的引用,与此同时,也提高了性能!我们推荐您尽量使用SELECT TRANSFORM。

www.337.net 8

提交作业可以看到执行计划(全部展开后的视图):

2

  1. 可以串联着用,使用 distribute by和 sort by对输入数据做预处理

执行的效果相当于

第二弹 - 新的基本数据类型与内建函数

其他改进

上面用的是perl。这其实不仅仅是语言支持的扩展,一些简单的功能,awk, python, perl, shell 都支持直接在命令里面写脚本,不需要写脚本文件,上传资源等过程,开发过程更简单。另外,由于目前我们计算集群上没有php和ruby,所以这两种脚本不支持。

www.337.net 9

性能上,SELECT TRANSFORM 与UDTF 各有千秋。经过多种场景对比测试,数据量较小时,大多数场景下select transform有优势,而数据量大时UDTF有优势。由于transform的开发更加简便,所以select transform非常适合做adhoc的数据分析。

对于在values中没有制定的列,可以看到取缺省值为NULL。插入列表功能不一定和VALUES一起用,对于INSERT INTO ... SELECT..., 同样可以使用。

应用场景举例

MaxCompute支持SEMI JOIN(半连接)。SEMI JOIN中,右表只用来过滤左表的数据而不出现在结果集中。支持的语法包括LEFT SEMI JOIN,LEFT ANTI JOIN,(NOT) IN SUBQUERY,(NOT) EXISTS

www.337.net 10

等效于

目前odps select transform完全兼容了hive的语法、功能和行为,包括 input/output row format 以及 reader/writer。Hive上的脚本,大部分可以直接拿来运行,部分脚本只需要经过少许改动即可运行。另外我们很多功能都用比hive更高执行效率的语言 (C ) 重构,用以优化性能。

在一个完整的查询语句中,例如

UDTF的优势:

还有一种VALUES表的特殊形式

  1. Using 子句指定的是要执行的命令,而非资源列表,这一点和大多数的MaxCompute SQL语法不一样,这么做是为了和hive的语法保持兼容。

  2. 输入从stdin传入,输出从stdout传出;

  3. 可以配置分隔符,默认使用 t 分隔列,用换行分隔行;

  4. 可以自定义reader/writer,但用内置的reader/writer会快很多

  5. 使用自定义的资源(脚本文件,数据文件等),可以使用 set odps.sql.session.resources=foo.sh,bar.txt; 来指定。可以指定多个resource文件,用逗号隔开(因此不允许resource名字中包含逗号和分号)。此外我们还提供了resources子句,可以在using 子句后面指定 resources 'foo.sh', 'bar.txt' 来指定资源,两种方式是等价的(参考“用odps跑测试”的例子);

返回

摘要: MaxCompute(原ODPS)是阿里云自主研发的具有业界领先水平的分布式大数据处理平台, 尤其在集团内部得到广泛应用,支撑了多个BU的核心业务。 MaxCompute除了持续优化性能外,也致力于提升SQL语言的用户体验和表达能力,提高广大ODPS开发者的生产力。

可以看到,顶层的union两侧各为一个join,join的左表是相同的查询。通过写子查询的方式,只能重复这段代码。

  1. 子进程和父进程是两个进程,而UDTF是单线程的,如果计算占比比较高,数据吞吐量比较小,可以利用服务器的多核特性
  2. 数据的传输通过更底层的系统调用来读写,效率比java高
  3. SELECT TRANSFORM支持的某些工具,如awk,是natvie代码实现的,和java相比理论上可能会有性能优势。

SELECT*frommytable1 aLEFTANTIJOINmytable2 bona.id=b.id;

  • SELECT TRANSFORM。

  • 场景1

  • 我的系统要迁移到MaxCompute平台上,系统中原来有很多功能是使用脚本来完成的,包括python,shell,ruby等脚本。 要迁移到MaxCompute上,我需要把这些脚本全部都改造成UDF/UDAF/UDTF。改造过程不仅需要耗费时间人力,还需要做一遍又一遍的测试,从而保证改造成的udf和原来的脚本在逻辑上是等价的。我希望能有更简单的迁移方式。
  • 场景2
  • SQL比较擅长的是集合操作,而我需要做的事情要对一条数据做更多的精细的计算,现有的内置函数不能方便的实现我想要的功能,而UDF的框架不够灵活,并且Java/Python我都不太熟悉。相比之下我更擅长写脚本。我就希望能够写一个脚本,数据全都输入到我的脚本里来,我自己来做各种计算,然后把结果输出。而MaxCompute平台就负责帮我把数据做好切分,让我的脚本能够分布式执行,负责数据的输入表和输出表的管理,负责JOIN,UNION等关系操作就好了。

例如:

www.337.net 11

只会返回mytable1中的数据,只要mytable1的id在mytable2的id没有出现过

6. 资源文件会被下载到执行指定命令的工作目录,可以使用文件接口打开./bar.txt文件。

SEMI JOIN

MaxCompute基于ODPS2.0新一代的SQL引擎,显著提升了SQL语言编译过程的易用性与语言的表达能力。我们在此推出MaxCompute(ODPS2.0)重装上阵系列文章

大部分DBMS系统中,如MySQL,Hive等,UNION后如果有CLUSTER BY, DISTRIBUTE BY, SORT BY, ORDER BY或者LIMIT子句,其作用于与前面所有UNION的结果,而不是UNION的最后一路。ODPS2.0在set odps.sql.type.system.odps2=true;的时候,也采用此行为。例如:

www.337.net 12

www.337.net 13

www.337.net 14

也就是可以不写from语句,直接执行SELECT,只要SELECT的表达式列表不用任何上游表数据就可以。其底层实现为从一个1行,0列的匿名VALUES表选取。这样,在希望测试一些函数,比如自己的UDF等,就再也不用手工创建DUAL表了。

支持IMPLICIT JOIN

www.337.net 15

此文中采用MaxCompute Studio作展示,首先,安装MaxCompute Studio导入测试MaxCompute项目,创建工程,建立一个新的MaxCompute脚本文件, 如下

SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id;

www.337.net 16

场景2

SELECTkey,max(value)FROMsrc tWHEREvalue>0GROUPBYkeyHAVINGsum(value) >100ORDERBYkeyLIMIT100;

ODPS1.0不支持顶层UNION。ODPS2.0可以支持,例如

VALUES

本文由www.337.net发布于科技中心,转载请注明出处:MaxCompute重装上阵 第五弹 - SELECT TRANSFOR

上一篇:马云“让贤”的意义 下一篇:没有了
猜你喜欢
热门排行
精彩图文