网络技术

找论坛
小暖忆_
Lv3 太平洋舰队中士
太平洋舰队中士 贡献225,距离下一级还需125贡献
楼主
2018-09-12 16:04 0 0 只看楼主
电梯直达 
[p=24, null, left]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。[/p]
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。
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
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 - 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。

上述功能可以使用SELECT TRANSFORM来实现
SELECT TRANSFORM 介绍
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
评论


提交作业可以看到执行计划(全部展开后的视图):
评论


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。
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:
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);
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。
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。
应用场景举例
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:
1. 无中生有造数据
select transform(script) using 'sh' as (data) from(    select 'for i in `seq 1 50`; do echo $i; done' as script) t;
或者使用python
select transform('for i in xrange(1, 51):  print i;') using 'python' as (data);
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。
2. awk 用户会很喜欢这个功能
select transform(*) using "awk '//{print $2}'" as (data) from src;
上面的语句仅仅是把value原样输出,但是熟悉awk的用户,从此过上了写awk脚本不写sql的日子
3. 用odps跑测试
select transform(key, value)    using 'java -cp a.jar org.junit.runner.JUnitCore MyTestClass'    resources 'a.jar' from testdata;
或者
set odps.sql.session.resources=a.jar;select transform(key, value)    using 'java -cp a.jar org.junit.runner.JUnitCore MyTestClass' from testdata;
这个例子是为了说明,很多java的utility可以直接拿来运行。java和python虽然有现成的udtf框架,但是用select transform编写更简单,并且不需要额外依赖,也没有格式要求,甚至可以实现离线脚本拿来直接就用。
4. 支持其他脚本语言
select transform (key, value) using "perl -e 'while($input = <STDIN>){print $input;}'" from src;
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。
5. 可以串联着用,使用 distribute by和 sort by对输入数据做预处理
select transform(key, value) using 'cmd2' from (    select transform(*) using 'cmd1' from     (        select * from data distribute by col2 sort by col1    ) t distribute by key sort by value) t2;
或者用map,reduce的关键字会让逻辑显得清楚一些
@a := select * from data distribute by col2 sort by col1;@b := map * using 'cmd1' distribute by col1 sort by col2 from @a;reduce * using 'cmd2' from @b;
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。
性能
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。
UDTF的优势:

  • 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;
  • 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;
  • UDTF的常量参数可以不用传输,而Transform没办法利用这个优化。
SELECT TRANSFORM 的优势:

  • 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
  • 数据的传输通过更底层的系统调用来读写,效率比java高
  • 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。
小结
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。
标注

  • 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;

原文链接
本文为云栖社区原创内容,未经允许不得转载。

您需要登录后才可以发帖 登录 | 立即注册

其他登录方式:

常用表情
太平洋电脑网论坛帖子仅代表作者本人意见,不代表网站立场。请勿轻信特价、汇款、中奖等信息,
请勿轻易透露个人资料,因此产生的一切后果,PConline不承担任何责任
回复 发新帖 找论坛 反馈 回顶部