MaxCompute – ODPS重装上阵 第四弹 – CTE,VALUES,SEMIJOIN

By admin in 科技中心 on 2019年2月18日

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。

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

图片 1

编译此脚本,可以观察执行计划如下

第一弹 – 善用MaxCompute编译器的错误和警告

使用CTE的方式重写以上语句

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

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

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

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

第三弹 – 复杂类型

注1

图片 2

SELECT*FROMtable1JOINtable2ONtable1.id = table2.id;

作者:隐林

图片 3

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。

对于NOT IN SUBQUERY,类似于LEFT ANTI JOIN,但是有一点显著不同

UDTF的优势:

因为WHERE中包含了OR,导致无法转换为SEMI JOIN,会单独启动作业执行子查询

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。

SELECT*frommytable1whereexists(select*frommytable2whereid=
mytable1.id);`

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

IN SUBQUERY与LEFT SEMI JOIN类似。

  1. 支持其他脚本语言

SELECT*frommytable1wherenotexists(select*frommytable2whereid=
mytable1.id);`

  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);

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。

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:

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。

图片 4

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

第二弹 – 新的基本数据类型与内建函数

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。

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

图片 5

图片 6

场景2

图片 7

_需要写一个复现的SQL,
从多个表中读取数据,有些之间做Join,有些之间做Union,生成中间数据又要Join,
最后需要输出多张表,最后写成了n层嵌套的子查询,自己都看不懂了。而且同样的查询,在不同的子查询中有重复。为了维护方便,把复杂的语句拆成多个语句,但是发现每个语句都需要单独提交,排队,并且要将中间结果写到本来不需要的临时表,在后面的语句中再读出来,慢了好多。。。

  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。

a

  • 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;

例如:

SELECT TRANSFORM 的优势:

INSERT… VALUES…
有一个限制,values必须是常量,但是有的时候希望在插入的数据中进行一些简单的运算,这个时候可以使用MaxCompute的VALUES
TABLE功能,如下:

  1. 无中生有造数据

场景1 

  • 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。

小节

图片 8

UNION后LIMIT的语义变化。

上述功能可以使用SELECT TRANSFORM来实现

图片 9

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

selectabs(-1),length(‘abc’),getdate();

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。

SELECT*fromsales_detailwheredsin(selectdtfromsales_date);

SELECT TRANSFORM 介绍

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

性能

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

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。

图片 10

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。

setodps.sql.type.system.odps2=true;SELECTexplode(array(1,3))AS(a)UNIONALLSELECTexplode(array(0,2,4))AS(a)ORDERBYaLIMIT3;

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

如果使用上述以FROM起始的方式书写,则可以自然而然的根据上下文进行提示。如下

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。

第四弹 –
CTE,VALUES,SEMIJOIN

责任编辑:

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

小结

支持IMPLICIT JOIN

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

图片 11

书写顺序和执行顺序一致,就不容易混淆了。这样有一个额外的好处,在MaxCompute
Studio中写SQL语句的时候,会有智能提示的功能,如果是SELECT在前,书写select列表的表达式的时候,因为FROM还没有写,MaxCompute
Studio没办法知道可能访问那些列,也就不能做提示。如下

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。

上次向您介绍了复杂类型,从本篇开始,向您介绍MaxCompute在SQL语言DML方面的改进

或者使用python

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。。。

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。

LEFT SEMI JOIN

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

图片 12

或者用map,reduce的关键字会让逻辑显得清楚一些

IN SUBQUERY/NOT IN SUBQUERY

第四弹 – CTE,VALUES,SEMIJOIN

第一弹 –
善用MaxCompute编译器的错误和警告

  1. 用odps跑测试

图片 13

  1. awk 用户会很喜欢这个功能

0

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。

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。

提交作业可以看到执行计划(全部展开后的视图):

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。

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*frommytable1whereidin(selectidfrommytable2)ORvalue>0;

或者

另外在处理分区表的时候,也会有特殊处理

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。

标注

  1. 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。

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

应用场景举例

例如:

图片 14

LEFT ANTI JOIN

标注

图片 15

图片 16

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

第二弹 –
新的基本数据类型与内建函数

原有ODPS也支持IN SUBQUERY,但是不支持correlated条件,MaxCompute支持

SEMI JOIN

第三弹 –
复杂类型

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。。。

可以看到,a对应的子查询只需要写一次,在后面重用,CTE的WITH字句中可以指定多个子查询,像使用变量一样在整个语句中反复重用。除了重用外,也不必再反复嵌套了。

还有一种VALUES表的特殊形式

需要先写好FROM,再回头写SELECT列表,才能提示。如下

图片 17

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图
Copyright @ 2010-2019 澳门金沙总站 版权所有