远近出名手册,ODPS重装上阵

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

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。

摘要: 大数据计算服务 MaxCompute
能够提供强大的分析能力,而分布式 NoSQL
数据库表格存储在行级别上的实时更新和可覆盖性写入等特性,相对于
MaxCompute 内置表 append-only 批量操作,提供了一个很好的补充。

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。

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。

关系数据库已经存在半个世纪,有非常广泛的使用场景,但是在快速迭代的互联网领域其扩展性和
schema 灵活性被诟病颇多,因此类似 TableStore/BigTable/HBase
等强调扩展性和灵活性的NoSQL数据库逐步流行起来,这些 NoSQL 数据库只提供
API 接口,不提供 SQL 访问,这就导致很多熟悉 SQL
但是不喜欢写代码的用户没法很舒服的使用此类NoSQL数据库。基于此,表格存储开发团队联合
MaxCompute(下文中 ODPS 与 MaxCompute 同义)团队打通了 ODPS-SQL
访问表格存储的路径,这样一个只懂 SQL
的用户也可以愉快的访问表格存储里面的大量数据了。

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

本篇文章就以一个小白用户的身份体验如何使用
MaxCompute-SQL 查询表格存储里面的数据,以及如何开发自定义逻辑(User
Defined Function, UDF)来处理用户特定的数据格式。

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

第一弹 –
善用MaxCompute编译器的错误和警告

什么是表格存储 TableStore?

第一弹 – 善用MaxCompute编译器的错误和警告

第二弹 –
新的基本数据类型与内建函数

分布式NoSQL数据存储服务,无缝支持单表PB级数据及百万级访问并发,弹性资源,按量计费,对数据高频的增、删、改支持的很好,保证单行数据读写的强一致性。

第二弹 – 新的基本数据类型与内建函数

第三弹 –
复杂类型

什么是大数据计算服务 MaxCompute?

第三弹 – 复杂类型

第四弹 –
CTE,VALUES,SEMIJOIN

一种快速、完全托管的TB/PB级数据仓库解决方案,提供多种经典的分布式计算模型,能够更快速的解决用户海量数据计算问题。

第四弹 – CTE,VALUES,SEMIJOIN

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

下面首先我们将介绍环境准备,这是所有后面的操作的基础。然后会介绍使用
OdpsCmd
访问表格存储。在第三节我们介绍使用 OdpsStudio
访问表格存储。最后介绍如何写 UDF、部署 UDF 以及在查询中使用 UDF。

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 

环境准备

  • 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。

_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。。。

首先,准备好一个 MaxCompute 的工程,工程创建指导文档,准备好AccessId和AccessKey备用,为了区别其他产品的AccessId和AccessKey,后面我们称之为ODPS-AccessId,ODPS-AccessKey。并在RAM中授权
MaxCompute 访问 TableStore 的权限,授权方式请参考MaxCompute访问TableStore数据——授权

上述功能可以使用SELECT TRANSFORM来实现

场景2

小提示:由于 MaxCompute 在 2.0
版本的计算框架才能支持直接访问 TableStore
数据,该版本还在灰度上线中,目前还需要 申请MaxCompute
2.0试用
,具体开通使用方法请参见 如何申请试用MaxCompute
2.0。

SELECT TRANSFORM 介绍

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。。。

然后,准备好一个表格存储的实例以及一张数据表,表格存储实例管理,准备好实例名、EndPoint,为了区别其他产品的AccessId和AccessKey,后面我们称之为TableStore-InstanceName,TableStore-EndPoint。

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

场景3

网络连通性

图片 1

想测试一个新写的UDF,只写SELECT
myudf(‘123’);会报错,还必须创建一个dual表,里面加一行数据,好麻烦。如果测试UDAF,还要在测试表里面准备多行数据,每次测试不同的输入都要修改表内容或者创建新表,如果有个办法不用创建表也能不同的数据组合测试我的UDF就好了。。。

MaxCompute 与 TableStore
是两个独立的大数据计算以及大数据存储服务,所以两者之间的网络必须保证连通性。
对于 MaxCompute 公共云服务访问 TableStore 存储,推荐使用 TableStore
私网
地址,例如

提交作业可以看到执行计划(全部展开后的视图):

场景4

如果网络不通,可以使用公网地址,TableStore原生支持 VPC
网络控制,也需要将网络类型设置为 “允许任意网络访问”

图片 2

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。。。

 

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。

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。

使用客户端 ODPS-CMD

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:

Common Table Expression (CTE)

1.下载并安装大数据计算服务客户端

  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);

MaxCompute支持SQL标准的CTE。能够提高SQL语句的可读性与执行效率。

2.下载解压,将conf/odps_config.ini
的内容修改为:

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。

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

project_name=上面申请的ODPS工程名

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 3

access_id=ODPS-AccessId

应用场景举例

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。

access_key= ODPS-AccessKey

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:

使用CTE的方式重写以上语句

end_point=

  1. 无中生有造数据

图片 4

https_check=true

图片 5

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。

# confirm threshold for query input size(unit:
GB)

或者使用python

编译此脚本,可以观察执行计划如下

data_size_confirm=100.0

图片 6

图片 7

# this url is for odpscmd update

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。

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

update_url=

  1. awk 用户会很喜欢这个功能

图片 8

3.行bin/odpscmd,输入show
tables,正常执行则表示上面配置正确。

图片 9

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 )。

 

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

VALUES

4.在bin/odpscmd 下输入环境变量,显式开启 ODPS 2.0
的非结构化功能( 仅在 ODPS 2.0 计算框架完全上线为必须),单独执行
xx.sql 文件时也需要将下属设置写在 SQL 文件的开头处。

  1. 用odps跑测试

创建一个新的文件,如下:

set odps.task.major.version=2dot0_demo_flighting;

图片 10

图片 11

set
odps.sql.planner.mode=lot;

或者

执行后在,MaxCompute Project
Explorer中可以找到新创建的表,并看到values中的数据已经插入到表中,如下:

set odps.sql.ddl.odps2=true;

图片 12

图片 13

set
odps.sql.preparse.odps2=lot;

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。

有的时候表的列很多,准备数据的时候希望只插入部分列的数据,此时可以用插入列表功能

set odps.sql.type.system.odps2=true; –是支持表格存储的binary类型

  1. 支持其他脚本语言

图片 14

5.创建一张 MaxCompute 的数据表关联到 TableStore
的某一张表。

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

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:

关联的数据表信息如下:

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。

图片 15

  • 实例名称:vehicle-test
  • 数据表名称:vehicle_track
  • 主键信息:vid(int); gt (int)
  • 访问域名:https://vehicle-test.cn-shanghai.ots-internal.aliyuncs.com
  1. 可以串联着用,使用 distribute by和 sort by对输入数据做预处理

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。

DROP TABLE IF EXISTS
ots_vehicle_track;

图片 16

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:

 

或者用map,reduce的关键字会让逻辑显得清楚一些

图片 17

CREATE EXTERNAL TABLE IF NOT
EXISTS
ots_vehicle_track

图片 18

其中的VALUES (…), (…) t (a, b), 相当于定义了一个名为t,列为a,
b的表,类型为(a string, b
string),其中的类型从VALUES列表中推导。这样在不准备任何物理表的时候,可以模拟一个有任意数据的,多行的表,并进行任意运算。

(

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。

实际上,VALUES表并不限于在INSERT语句中使用,任何DML语句都可以使用。

vid bigint,

性能

还有一种VALUES表的特殊形式

gt bigint,

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。

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

longitude double,

UDTF的优势:

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。

latitude double,

  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。

SEMI JOIN

distance double
,

SELECT TRANSFORM 的优势:

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

speed double,

  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。

LEFT SEMI JOIN

oil_consumption double

小结

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

)

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。

例如:

STORED BY ‘com.aliyun.odps.TableStoreStorageHandler’
— (1)

标注

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

WITH SERDEPROPERTIES ( — (2)

  • 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;

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

‘tablestore.columns.mapping’=’:vid, :gt, longitude, latitude, distance, speed,
oil_consumption’, —
(3)

作者:隐林

LEFT ANTI JOIN

‘tablestore.table.name’=’vehicle_track’ —
(4)

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

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

)

责任编辑:

例如:

LOCATION ‘tablestore://vehicle-test.cn-shanghai.ots-internal.aliyuncs.com’; — (5)

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

  • com.aliyun.odps.TableStoreStorageHandler 是 MaxCompute
    内置的处理 TableStore 数据的 StorageHandler, 定义了 MaxCompute 和
    TableStore 的交互,相关逻辑由 MaxCompute 实现。
  • SERDEPROPERITES
    可以理解成提供参数选项的接口,在使用 TableStoreStorageHandler
    时,有两个必须指定的选项,分别是下面介绍的
    tablestore.columns.mapping 和 tablestore.table.name。
    更多的可选选项将在后面其他例子中提及。
  • tablestore.columns.mapping
    选项:必需选项,用来描述对需要 MaxCompute 将访问的 TableStore
    表的列,包括主键和属性列。 这其中以 : 打头的用来表示 TableStore
    主键,例如这个例子中的 :vid:gt。 其他的均为属性列。
    TableStore支持最少1个,最多4个主键,主键类型为 bigint 或
    string,其中第一个主键为分区键。 在指定映射的时候,用户必须提供指定
    TableStore 表的
    所有主键,对于属性列则没有必要全部提供,可以只提供需要通过
    MaxCompute 来访问的属性列。
  • tablestore.table.name:需要访问的 TableStore 表名。
    如果指定的 TableStore 表名错误(不存在),则会报错,MaxCompute
    不会主动去创建 TableStore 表。
  • LOCATION 用来指定访问的 TableStore 的实例信息,包括
    instance 名字,endpoint 等。 
  • 数据格式对应,MaxCompute 与 TableStore
    的数据格式对应如下:

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

TableStore数据类型

MaxCompute数据类型

string

string

binary

blob

int

bigint

double

double

IN SUBQUERY/NOT IN SUBQUERY

6.执行ODPS-SQL

IN SUBQUERY与LEFT SEMI JOIN类似。

// 统计编号 4 以下的车辆在时间戳 1469171387
以前的平均速度和平均油耗

例如:

select vid,count(*),avg(speed),avg(oil_consumption) from
ots_vehicle_track where vid
<4 and gt<1469171387  group by
vid;

SELECT*frommytable1whereidin(selectidfrommytable2);

 

等效于

使用 UDF(User Defined Function)处理数据

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

有时候用户在表格存储里面的数据有独特的结构,希望自己开发逻辑来处理每一行数据,比如解析特定的json字符串,这一块的开发也已经很方便了。

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

1.按照MaxCompute
Studio文档的说明在IntelliJ里面安装MaxCompute-Java/MaxCompute-Studio插件,一旦插件安装完毕,就可以直接开发。

例如:

比如下面就是一个简单的 UDF
定义,只是简单的将两个字符串连接。 MaxCompute
支持更复杂的UDF,包括自定义窗口执行逻辑等,详细请参考MaxCompute Studio-开发
UDF。

SELECT*frommytable1whereidin(selectidfrommytable2wherevalue=
mytable1.value);

 

其中子查询中的where value =
mytable1.value就是一个correlated条件,原有ODPS对于这种既引用了子查询中源表,由引用了外层查询源表的表达式时,会报告错误。MaxCompute支持这种用法,这样的过滤条件事实上构成了SEMI
JOIN中的ON条件的一部分。

2.打包之后可以上传到
MaxCompute,其中打包这里有需要注意的地方,File->Project
Structure->Artifacts, 填写好 Name 和 Output Directory 后,要点击
+ 选择输出模块,打包后通过 ODPS Project Explorer
来上传资源、创建函数,然后就可以在SQL中调用。

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

 

例如:

3.打开bin/odpscmd,输入

SELECT*frommytable1whereidnotin(selectidfrommytable2);

//
我们选出来1行数据,并将name/name传入UDF,返回两个string的累加

如果mytable2中的所有id都不为NULL,则等效于

select
cloud_metric_extract_md5(name,
name) as udf_test from test_table
limit 1;

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

 

但是,如果mytable2中有任何为NULL的列,则 not
in表达式会为NULL,导致where条件不成立,无数据返回,此时与LEFT ANTI
JOIN不同。

写在最后

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。

目前ODPS-SQL访问 TaleStore
还在对执行逻辑进行深度的优化,如果有需求请联系ots_support,我们将针对业务场景来进行优化。

例如:

FAQ

SELECT*frommytable1whereidin(selectidfrommytable2)ORvalue>0;

常见错误处理:

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

  1. FAILED: ODPS-0010000:System internal error – fuxi
    job failed, WorkerPackageNotExist:需要设置set
    odps.task.major.version=unstructured_data
  2. FAILED: ODPS-0010000:System internal error –
    std::exception:Message: a timeout was
    reached:一般情况下是OTS的endpoint填写错误,导致ODPS没法访问,可以咨询ots_support旺旺账号
  3. logview invalid
    end_point:在执行过程中,会返回一个logview
    URL地址,如果使用浏览器访问该地址返回错误,可能是配置不对,请检查
    MaxCompute 配置,并咨询 odps_support 旺旺账号

另外在处理分区表的时候,也会有特殊处理

SELECT*fromsales_detailwheredsin(selectdtfromsales_date);

其中的ds如果是分区列,则select dt from
sales_date 会单独启动作业执行子查询,而不会转化为SEMIJOIN,执行后的结果会逐个与ds比较,sales_detail中ds值不在返回结果中的分区不会读取,保证分区裁剪仍然有效。

EXISTS SUBQUERY/NOT EXISTS SUBQUERY

当SUBQUERY中有至少一行数据时候,返回TRUE,否则FALSE。NOT
EXISTS的时候则相反。目前只支持含有correlated WHERE条件的子查询。EXISTS
SUBQUERY/NOT EXISTS SUBQUERY实现的方式是转换为LEFT SEMI JOIN或者LEFT
ANTI JOIN

例如:

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

等效于

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

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

则等效于

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

其他改进

MaxCompute支持UNION [DISTINCT] – 其中DISTINCT为忽略

SELECT*FROMsrc1UNIONSELECT*FROMsrc2;

执行的效果相当于

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

支持IMPLICIT JOIN

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

执行的效果相当于

SELECT*FROMtable1JOINtable2ONtable1.id = table2.id;

此功能主要是方便从其他数据库系统迁移,对于信贷买,我们还是推荐您使用JOIN,明确表示意图

支持新的SELECT语序

在一个完整的查询语句中,例如

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

实际上的逻辑执行顺序是 FROM->WHERE->GROUY
BY->HAVING->SELECT->ORDER
BY->LIMIT,前一个是后一个的输入,与标准的书写语序实际并不相同。很多容易混淆的问题,都是由此引起的。例如order
by中只能引用select列表中生成的列,而不是访问FROM的源表中的列。HAVING可以访问的是
group by key和聚合函数。SELECT的时候,如果有GROUP BY,就只能访问group
key和聚合函数,而不是FROM中源表中的列。

MaxCompute支持以执行顺序书写查询语句,例如上面的语句可以写为

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

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

图片 19

需要先写好FROM,再回头写SELECT列表,才能提示。如下

图片 20

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

图片 21

支持顶层UNION

ODPS1.0不支持顶层UNION。ODPS2.0可以支持,例如

SELECT*FROMsrcUNIONALLSELECT*FROMsrc;

UNION后LIMIT的语义变化。

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:

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

返回

a

0

1

2

小节

MaxCompute大大扩充了DML语句的支持,在易用性,兼容性和性能方面,可以更好的满足您的需求。对于SQL比较熟悉的专家会发现,上述功能大部分是标准的SQL支持的功能。MaxCompute会持续提升与标准SQL和业界常用产品的兼容性。

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。

标注

注1

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。