MaxCompute访问TableStore(OTS) 数据

免费开通大数据服务:https://www.aliyun.com/product/odps0. 前言MaxCompute作为阿里云大数据平台的核心计算组件,承担了集团内外大部分的分布式计算需求。而MaxCompute SQL作为分布式数据处理的主要入口,为快速方便处理/存储EB级别的离线数据提供了强有力的支持。 随着大数据业务的不断扩展,新的数据使用场景在不断产生,在这样的背景下,MaxCompute计算框架也在不断的演化,原来主要面对内部特殊格式数据的强大计算能力,也正在一步步的开放给不同的外部数据。 之前我们介绍了怎样在MaxCompute上处理存储在OSS上面的非结构化数据,在这里我们将进一步介绍如何将来自TableStore(OTS)的数据纳入MaxCompute上的计算生态,实现多种数据源之间的无缝连接。对于在线服务等应用场景,NoSQL KV Store(e.g., BigTable, HBase)相比传统数据库,具有schema灵活,易扩展,实时性强等优点。阿里云TableStore(OTS) 是在阿里飞天分布式系统之上实现的大规模的NoSQL数据存储服务,提供海量KV数据的存储和实时访问。 在集团内部各BU以及外部阿里云生态圈中具有广泛的应用。 尤其是TableStore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。 但是TableStore作为一个偏存储的服务,对于存储在其上的海量数据,在大规模批量并行处理的计算能力有所欠缺。 在这样的背景下,打通MaxCompute的计算和TableStore存储之间的数据链路就显得尤其重要。1. MaxCompute对TableStore数据进行读取和计算1.0 使用前提和假设1.0.1 MaxCompute 2.0计算框架非结构化功能的打开首先要说明的是MaxCompute新一代的2.0计算框架还在灰度上线的过程中,默认设置下许多功能没有打开,所以要使用新引进的非结构化数据处理框架,**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, 简单来说就是在开通2.0非结构化功能的前提下,在每个SQL query执行时必须带上如下setting:set odps.task.major.version=2dot0_demo_flighting; set odps.sql.planner.mode=lot; set odps.sql.ddl.odps2=true; set odps.sql.preparse.odps2=lot; 1.0.2 TabelStore基本概念以及网络连通性如果对于TableStore不熟悉或者对于整个KV table的概念比较陌生同学,可以通过TableStore的文档来先了解一些基本概念(比如主键,分区键,属性列等),这里的讨论不对这些基本概念做深入的解释和探讨。 同时对于MaxCompute非结构化框架的整体介绍可以参见之前在MaxCompute上处理存储在OSS上面的非结构化数据的介绍文章,包括External Table, StorageHandler的概念以及SERDEPROPERTIES的使用等。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tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com。1.1 使用STS/RAM的方式访问TableStore数据需要首先指出的是,MaxCompute计算服务要访问TableStore数据需要有一个安全的授权通道。 在这个问题上,MaxCompute结合了阿里云的访问控制服务(RAM)和令牌服务(STS)来实现对数据的安全反问:首先需要在RAM中授权MaxCompute访问OSS的权限。登录RAM控制台,创建角色AliyunODPSDefaultRole,并将策略内容设置为:{ "Statement": [ { "Action": "sts:AssumeRole", "Effect": "Allow", "Principal": { "Service": [ "odps.aliyuncs.com" ] } } ], "Version": "1" } AliyunODPSRolePolicy授权给该角色。如果觉得这些步骤太麻烦,还可以登录阿里云账号点击此处完成一键授权。1.2 创建External Table 关联MaxCompute与TableStore与处理OSS数据的使用方法类似,MaxCompute通过EXTERNAL TABLE的方式来对接TableStore的数据:用户通过一个CREATE EXTERNAL TABLE的DDL语句,把对TableStore表数据的描述引入到MaxCompute的meta系统内部后,即可如同使用一个普通TABLE一样来实现对TableStore数据的处理。 这里先提供一个最简单的使用范例,并且通过该范例来讨论ODPS对接TableStore的一些概念和实现。 DROP TABLE IF EXISTS ots_table_external; CREATE EXTERNAL TABLE IF NOT EXISTS ots_table_external ( odps_orderkey bigint, odps_orderdate string, odps_custkey bigint, odps_orderstatus string, odps_totalprice double ) STORED BY 'com.aliyun.odps.TableStoreStorageHandler' -- (1) WITH SERDEPROPERTIES ( -- (2) 'tablestore.columns.mapping'=':o_orderkey, :o_orderdate, o_custkey, o_orderstatus,o_totalprice', -- (3) 'tablestore.table.name'='ots_tpch_orders' -- (4) ) LOCATION 'tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com'; -- (5) 这个DDL语句将一个TableStore表映射到了MaxCompute的一个External Table上。 在这个基础上,后继对TableStore数据的操作可以直接通过External Table进行。 这里先对上面这个CREATE EXTERNAL TABLE的DDL语句做一些解释:
  • 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.mappingtablestore.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:o_orderkey:o_orderdate。 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bigintstring,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 clause用来指定TableStore的具体信息,包括instance名字,endpoint等。 值得注意的是这里对TableStore数据的安全访问是建立在前文介绍的RAM/STS授权的前提上的。
  • 1.3 通过External Table访问TableStore数据进行计算在用上述DDL创建出External Table之后,TableStore的数据就引入到了MaxCompute的生态中,我们现在就可以通过正常的MaxCompute SQL语法来访问TableStore数据了,比如: SELECT odps_orderkey, odps_orderdate, SUM(odps_totalprice) AS sum_total FROM ots_table_external WHERE odps_orderkey > 5000 AND odps_orderkey < 7000 AND odps_orderdate >= '1996-05-03' AND odps_orderdate < '1997-05-01' GROUP BY odps_orderkey, odps_orderdate HAVING sum_total> 400000.0; 可以看到,在上面的这个例子,直接使用的就是我们所熟悉的MaxCompute SQL语法,访问TableStore的所有细节由MaxCompute内部处理。 这包括在列名的选择上:可以看到,在这个SQL里面,使用的列名是odps_orderkeyodps_totalprice等,而不是原始TableStore里面的主键名o_orderkey或属性列名o_totalprice了,因为我们在创建External Table的DDL语句里,已经做了对应的mapping。 当然因为具体的mapping是每个用户可以自己控制的,所以如果在创建External Table的时候保留原始的TableStore主键/列名也是可以的。在底层的实现上,MaxCompute框架针对TableStore数据的存储特点做了各种优化,包括并发读取,SQL语句的filtering操作转义等。 举个例子,有filtering操作(比如上面的WHERE语句)时,MaxCompute会判断filtering key是否为TableStore表格的主键,来决定如何用TableStore的GetRange API来读取最小量数据,而不是无条件读取全量数据读到MaxCompute计算节点再做过滤操作。 当然这些实现的优化用户均无需感知,由MaxCompute计算框架负责来提高高效的实现。另外如果需要对一份数据做**多次计算**,相较每次从TableStore去远程读数据,一个更高效的办法是先一次性把需要的数据导入到MaxCompute内部成为一个MaxCompute(内部)表,比如: CREATE TABLE internal_orders AS SELECT odps_orderkey, odps_orderdate, odps_custkey, odps_totalprice FROM ots_table_external WHERE odps_orderkey > 5000 ; 现在internal_orders就是一个我们熟悉的MaxCompute表了,也拥有所有MaxCompute内部表的特性:包括高效的压缩列存储数据格式,完整的内部宏数据以及统计信息等。 同时因为存储在MaxCompute内部,访问速度会比访问外部的TableStore更快,尤其适用于需要进行多次计算的热点数据。2. 数据从MaxCompute写出到TableStore需要再次强调的是,MaxCompute不会主动创建外部的TableStore表,所以在对TableStore表进行数据输出之前,必须保证该表已经在TableStore上创建过(否则将报错)。 这样的设计是因为TableStore建表的过程可能涉及到CU的设置,计费,数据生命周期等一系列选项,这些必须由数据的所有者来决定: MaxCompute不拥有这些**外部数据**,也无法做出这些选择。紧接上面的例子,假设我们已经使用上面的DDL语句创建了ots_table_external这个外部表来打通MaxCompute与TableStoreb数据表ots_tpch_orders的链路, 而且我们还有一份存储在在MaxCompute内部有一个名为internal_orders的数据,现在希望对internal_orders中的数据进行一定处理后再写回TableStore上,那么可以直接通过对外部表做**INSERT OVERWITE TABLE**的操作来实现: INSERT OVERWRITE TABLE ots_table_external SELECT odps_orderkey, odps_orderdate, odps_custkey, CONCAT(odps_custkey, 'SHIPPED'), CEIL(odps_totalprice) FROM internal_orders; 在这里对表中的数据做了一些处理,并且把经过处理过的数据重新写回到了TableStore里。 对于TableStore这种KV数据的NoSQL存储介质,从MaxCompute的输出将只影响相对应主键所在的行:在上面这个例子中也就是只影响所有 odps_orderkeyodps_orderdate 这两个主键值能对应行上的数据。 而且在这些TabeleStore行上面,也只会去更新在创建External Table (ots_table_external)时指定的属性列,而不会去修改未在External Table里面出现的数据列。 关于MaxCompute外部表和TableStore表的对应关系,下文会更系统的介绍。3. 技术细节以及高级用法从本质上来看MaxCompute表是严格结构化的数据表,要求所有的行均遵从严格一致的schema,而TableStore的表中存储的是NoSQL的“半结构化”K-V数据。这些基本数据格式上的区别决定了在两个系统的交互过程中,行为会有一些区别。 同时MaxCompute作为一个分布式计算系统,读写TableStore通过并发执行来实现,这就需要对TableStore的数据有一个切割的机制。 在默认情况下,MaxCompute会提供一个系统认为最合适的处理方法,来实现对TableStore数据的访问和计算,而这些实现也能满足绝大部分用户的需求。 但是与此同时,为了满足一些对系统比较熟悉的高级用户的特殊需求,MaxCompute也提供了更多的可配置选项,这里做一些介绍。3.1 MaxCompute外表与TableStore数据表的对应关系MaxCompute外表与TableStore数据表是多对一(N:1)的关系。 也就是说可以有多个MaxCompute外表(External Table)来描述一张TableStore表。 这里的N:1是两个维度上的:
  • 不同的MaxCompute外表可以描述一张TableStore表的不同属性列子集,比如如果在TableStore的一个表有3个主键列,(up to)20个属性列,那么通过MaxComptue的外表,主键必须提供完备,但是属性列则不必,比如可以只提供一个属性列,那么通过MaxCompute外表进行的所有操作,都只会基于主键和所提供的属性列上的数据。

  • 3.2 MaxCompute读取TableStore数据时的并发度TableStore是一个分布式KV数据存储系统,每个数据表都可能存储在多个后端server上,并且根据分区键进行分区,具体存储上的分区策略由TableStore决定。 目前通过MaxCompute读取TableStore数据,默认的并发度将与TableStore后端的分区数目相同。 唯一的例外是,在采用INTEGER64作为分区键,**且TableStore后端的分区数目大于1时**,MaxCompute会自动对并发度再做调整,在更高的并发度上读取数据。 此外TableStore自身的系统也在不断发展,以后将提供更强大的API接口给MaxCompute来使用,到时候将可以根据后端数据的大小,来准确的做出数据切割。 更准确的控制每个并发MaxCompute worker处理的数据量和计算时间。 这方面将在这些功能实现后再更新来做具体说明。最后,如果用户对自己存储在TableStore数据有着非常好的了解,比如对于不同key range中的数据量都能做出很好的预估,MaxCompute还提供让用户自己指定并发度的选型:用户的控制甚至可以细化到指定每个worker应该处理哪个range的数据。 有这个需求的用户可以联系MaxCompute技术团队。3.4 MaxCompute访问TableStore的网络连通性因为MaxCompute与TableStore是两个分开的云服务,所以在不同的部署集群上的网络连通性有可能影响MaxCompute访问TableStore的数据的可达性。 关于TableStore的节点,实例,服务地址等概念,可以参见TableStore相关介绍。4. 结语:构造大数据生态随着MaxCompute非结构化数据处理框架的上线,MaxCompute开放了处理外部数据的接口,包括之前介绍的访问OSS数据

    相关内容推荐