MaxCompute - ODPS重装上阵　第五弹 - SELECT TRANSFORM

2021-08-11 05:15:04

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

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
第三弹 - 复杂类型
第四弹 - CTE，VALUES，SEMIJOIN

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

MaxCompute - ODPS重装上阵　第五弹 - SELECT TRANSFORM

提交作业可以看到执行计划（全部展开后的视图）：

MaxCompute - ODPS重装上阵　第五弹 - SELECT TRANSFORM

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：

  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。

SELECT TRANSFORM 的优势：

  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。

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；


本文作者：阿里云高级技术专家 秋鹏
上一篇：python range()内建函数


下一篇：hdu2066一个人的旅行(多源点多汇点的最短路径问题)