使用EMR SQL 批处理Tablestore

2022-05-09 03:01:11

通过在E-MapReduce集群中使用Spark SQL访问表格存储。对于批计算，Tablestore on Spark提供索引选择、分区裁剪、Projection列和Filter下推、动态指定分区大小等功能，利用表格存储的全局二级索引或者多元索引可以加速查询。

前提条件

  • 已创建E-MapReduce Hadoop集群。具体操作，请参见创建集群。

    创建集群时，请确保打开挂载公网开关，将集群挂载到公网，用于Shell远程登录服务器。

    说明
    本文使用Shell命令演示，如果需要使用E-MapReduce的图形化页面进行数据开发。具体操作，请参见数据开发。

    使用EMR SQL 批处理Tablestore

  • 已上传emr-datasources_shaded_2.11-2.2.0-SNAPSHOT.jar包到EMR Header服务器。

Spark连接表格存储数据表和全局二级索引

Spark连接到表格存储数据表和全局二级索引后，通过Spark外表查询数据时，系统会根据查询条件中设置的列条件自动选择索引表进行查询。

1. 在表格存储侧创建数据表或全局二级索引

  1. 创建表格存储的数据表。具体操作，请参见概述。

    本示例中数据表名称为tpch_lineitem_perf，主键列为l_orderkey（LONG类型）、l_linenumber（LONG类型），属性列分别为l_comment（STRING类型）、l_commitdate（STRING类型）、l_discount（DOUBLE类型）、l_extendedprice（DOUBLE类型）、l_linestatus（STRING类型）、l_partkey（LONG类型）、l_quantity（DOUBLE类型）、l_receiptdate（STRING类型）等14列，数据条数为384016850，数据样例如下图所示。
    使用EMR SQL 批处理Tablestore

  2. （可选）在数据表上创建全局二级索引。具体操作，请参见使用SDK。

    当查询条件中需要使用数据表的非主键列，建议创建全局二级索引加速查询。

    全局二级索引支持在指定列上建立索引，生成的索引表中数据按指定的索引列进行排序，数据表的每一个数据写入都将自动以异步方式同步到索引表。
    使用EMR SQL 批处理Tablestore

2. 在EMR集群侧创建Spark外表

  1. 登录EMR Header服务器。
  2. 执行如下命令启动spark-sql命令行，用于Spark外表创建和后续的SQL实战操作。
    其中Spark的标准启动参数为--num-executors 32 --executor-memory 2g --executor-cores 2，可以根据具体的集群配置进行自定义调整。表示上传jar包的版本信息，请根据实际填写，例如2.1.0-SNAPSHOT。 
    spark-sql --jars emr-datasources_shaded_2.11-<Version>.jar --master yarn --num-executors 32 --executor-memory 2g --executor-cores 2

  3. 创建Spark外表同时连接全局二级索引。

    • 参数
    参数 说明
    endpoint 表格存储实例访问地址，EMR集群中使用VPC地址。
    access.key.id 阿里云账号的AccessKey ID。
    access.key.secret 阿里云账号的AccessKey Secret。
    instance.name 表格存储实例访问地址，EMR集群中使用VPC地址。
    table.name 表格存储的数据表名称。
    split.size.mbs 每个Split的大小，默认值为100 MB。
    max.split.count 数据表计算出的最大Split数，并发数和Spark的Split个数对应，默认值为1000。
    catalog 数据表的Schema定义。
    • 实例 
      DROP TABLE IF EXISTS tpch_lineitem;
CREATE TABLE tpch_lineitem
USING tablestore
OPTIONS(
endpoint="http://vehicle-test.cn-hangzhou.vpc.tablestore.aliyuncs.com",
access.key.id="",
access.key.secret="",
instance.name="vehicle-test",
table.name="tpch_lineitem_perf",
split.size.mbs=10,
max.split.count=1000,
catalog='{"columns":{"l_orderkey":{"type":"long"},"l_partkey":{"type":"long"},"l_suppkey":{"type":"long"},"l_linenumber":{"type":"long"},"l_quantity":{"type":"double"},"l_extendedprice":{"type":"double"},"l_discount":{"type":"double"},"l_tax":{"type":"double"},"l_returnflag":{"type":"string"},"l_linestatus":{"type":"string"},"l_shipdate":{"type":"string"},"l_commitdate":{"type":"string"},"l_receiptdate":{"type":"string"},"l_shipinstruct":{"type":"string"},"l_shipmode":{"type":"string"},"l_comment":{"type":"string"}}}'
);

3. SQL查询实战

如下是不同查询需求的SQL查询样例，请根据实际业务组合使用SQL查询。

  • 全表查询

    • SQL语句：SELECT COUNT(*) FROM tpch_lineitem;
    • SQL总耗时：36.199s、34.711s、34.801s，平均耗时35.237s。

  • 主键查询

    • SQL语句：SELECT COUNT(*) FROM tpch_lineitem WHERE l_orderkey = 1 AND l_linenumber = 1;
    • 表格存储服务端：GetRow操作，平均耗时为0.585 ms。

  • 非主键查询，未开启全局二级索引

    • SQL语句：SELECT count(*) FROM tpch_lineitem WHERE l_shipdate = '1996-06-06';
    • SQL总耗时：37.006s、37.269s、37.17s，平均耗时37.149s。

  • 非主键查询，开启全局二级索引

    • SQL语句：SELECT count(*) FROM tpch_lineitem WHERE l_shipdate = '1996-06-06';
    • SQL总耗时（开启l_shipdate列的全局二级索引）：1.686s、1.651s、1.784s，平均耗时1.707s。

Spark连接表格存储数据表和多元索引

Spark连接到表格存储数据表和多元索引后，通过Spark外表查询数据时，系统会自动使用设置的多元索引进行查询。

1. 在表格存储侧创建数据表和多元索引

  1. 创建数据表。具体操作，请参见概述。
    本示例中数据表名称为geo_table，主键列为pk1（String类型），属性列分别为val_keyword1（String类型）、val_keyword2（String类型）、val_keyword3（String类型）、val_bool（Boolean类型）、val_double（Double类型）、val_long1（Long类型）、val_long2（Long类型）、val_text（String类型）和val_geo（String类型），数据条数为208912382，数据样例如下图所示。
    使用EMR SQL 批处理Tablestore

  2. 在数据表上创建多元索引。具体操作，请参见创建及使用多元索引。
    创建多元索引时，根据字段类型选择对应的多元索引Mapping。

    说明：创建多元索引时，地理位置字段需选择字段类型为地理位置而非字符串类型。

    使用EMR SQL 批处理Tablestore
    创建多元索引后，多元索引会自动开始同步数据表中的数据，待多元索引进入增量状态时，表示多元索引完成构建。
    使用EMR SQL 批处理Tablestore

在EMR集群侧创建Spark外表

  1. 登录EMR Header服务器

  2. 创建Spark外表同时连接多元索引

    • 参数
    参数 说明
    endpoint 表格存储实例访问地址，EMR集群中使用VPC地址。
    access.key.id 阿里云账号的AccessKey ID。
    access.key.secret 阿里云账号的AccessKey Secret。
    instance.name 表格存储实例访问地址，EMR集群中使用VPC地址。
    table.name 表格存储的数据表名称。
    split.size.mbs 每个Split的大小，默认值为100 MB。
    max.split.count 数据表计算出的最大Split数，并发数和Spark的Split个数对应，默认值为1000。
    push.down.range.long 与Long类型的列做大小（>=、>、<、<=）比较的谓词是否下推。更多信息，请参见批计算谓词下推配置。类型为Boolean，默认值为true，表示与Long类型的列做大小比较的谓词下推。设置为false时，表示与Long类型的列做大小比较的谓词不下推。
    push.down.range.string 与String类型的列做大小（>=、>、<、<=）比较的谓词是否下推。更多信息，请参见批计算谓词下推配置。类型为Boolean，默认值为true，表示与String类型的列做大小比较的谓词下推。设置为false时，表示与String类型的列做大小比较的谓词不下推。
    • 示例 
      DROP TABLE IF EXISTS geo_table;
CREATE TABLE geo_table (
pk1 STRING, val_keyword1 STRING, val_keyword2 STRING, val_keyword3 STRING,
val_bool BOOLEAN, val_double DOUBLE, val_long1 LONG, val_long2 LONG,
val_text STRING, val_geo STRING COMMENT "geo stored in string format"
)
USING tablestore
OPTIONS(
endpoint="https://sparksearchtest.cn-hangzhou.vpc.tablestore.aliyuncs.com",
access.key.id="",
access.key.secret="",
instance.name="sparksearchtest",
table.name="geo_table",
search.index.name="geo_table_index",
max.split.count=64,
push.down.range.long = false,
push.down.range.string = false
);

3. SQL查询实战

如下是不同查询需求的SQL查询样例，请根据实际业务组合使用SQL查询。

  • 使用多元索引全表查询

    • SQL语句：SELECT COUNT(*) FROM geo_table;
    • SQL耗时：测试数据208912382条，配置64个Parallel Scan并发，实际耗时165.208s，平均QPS约126.45万。 
      208912382
Time taken: 165.208 seconds, Fetched 1 row(s)
20/06/29 20:55:11 INFO [main] SparkSQLCLIDriver: Time taken: 165.208 seconds, Fetched 1 row(s)

  • 组合条件查询

    • SQL语句：SELECT val_long1, val_long2, val_keyword1, val_double FROM geo_table WHERE (val_long1 > 17183057 AND val_long1 < 27183057) AND (val_long2 > 1000 AND val_long2 < 5000) LIMIT 100;
    • SQL耗时：Spark会将Projection列和Filter下推到多元索引，实际耗时2.728s，极大加快查询效率。 
      21423964        4017    aaa     2501.9901650365096
21962236        2322    eio     2775.9021545044116
Time taken: 2.894 seconds, Fetched 100 row(s)
20/06/30 18:51:24 INFO [main] SparkSQLCLIDriver: Time taken: 2.894 second

  • 地理位置查询

地理位置查询包括地理距离查询、地理长方形查询和地理多边形范围查询三种地理位置查询方式。示例中val_geo为地理位置字段名，地理坐标的格式都为"纬度,经度"。

  • 地理距离查询
    语法为val_geo = '{"centerPoint":"中心点坐标", "distanceInMeter": 距离中心点的距离}'。
    SQL语句：
    SELECT COUNT(*) FROM geo_table WHERE val_geo = '{"centerPoint":"6.530045901643962,9.05358919674954", "distanceInMeter": 3000.0}';

    • 地理长方形查询
      语法为val_geo = '{"topLeft":"矩形框的左上角的坐标", "bottomRight": "矩形框的右下角的坐标"}'。
      SQL语句：
      SELECT COUNT(*) FROM geo_table WHERE val_geo = '{"topLeft":"6.257664116603074,9.1595116589601", "bottomRight": "6.153593333442616,9.25968497923747"}';

  • 地理多边形范围查询
    语法为val_geo = '{"points":["坐标1", "坐标2", .... "坐标n-1", "坐标n"]}'。
    SQL语句：
    SELECT COUNT(*) FROM geo_table WHERE val_geo = '{"points":["6.530045901643962,9.05358919674954", "6.257664116603074,9.1595116589601", "6.160393397574926,9.256517839929597", "6.16043846779313,9.257192872563525"]}';

上一篇：oracle 支持命令历史和退格键


下一篇：3星|《品质经济：未来零售革命下的商业图景》：京东宣传稿口气。有一些有意思的信息