使用Spark SQL作业分析OBS数据
DLI支持将数据存储到OBS上,后续再通过创建OBS表即可对OBS上的数据进行分析和处理。
本指导中的操作内容包括:创建OBS表、导入OBS表数据、插入和查询OBS表数据等内容来帮助您更好的在DLI上对OBS表数据进行处理。
前提条件
- 已创建OBS的桶。具体OBS操作可以参考《对象存储服务用户指南》。本指导中的OBS桶名都为“dli-test-021”。
- 已创建DLI的SQL队列。创建队列详细介绍请参考创建队列。
注意:创建队列时,队列类型必须要选择为:SQL队列。
前期准备
创建DLI数据库
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列。
- 在SQL编辑器中输入以下语句创建数据库“testdb”。详细的DLI创建数据库的语法可以参考创建DLI数据库。
create database testdb;
后续章节操作都需要在testdb数据库下进行操作。
DataSource和Hive两种语法创建OBS表的区别
DataSource语法和Hive语法主要区别在于支持的表数据存储格式范围、支持的分区数等有差异。两种语法创建OBS表主要差异点参见表1。
语法 |
支持的数据类型范围 |
创建分区表时分区字段差异 |
支持的分区数 |
---|---|---|---|
DataSource语法 |
支持ORC,PARQUET,JSON,CSV,AVRO类型 |
创建分区表时,分区字段在表名和PARTITIONED BY后都需要指定。具体可以参考DataSource语法创建单分区OBS表。 |
单表分区数最多允许7000个。 |
Hive语法 |
支持TEXTFILE, AVRO, ORC, SEQUENCEFILE, RCFILE, PARQUET |
创建分区表时,指定的分区字段不能出现在表后,只能通过PARTITIONED BY指定分区字段名和类型。具体可以参考Hive语法创建OBS分区表。 |
单表分区数最多允许100000个。 |
创建OBS表的DataSource语法可以参考使用DataSource语法创建OBS表。
创建OBS表的Hive语法可以参考使用Hive语法创建OBS表。
使用DataSource语法创建OBS表
以下通过创建CSV格式的OBS表举例,创建其他数据格式的OBS表方法类似,此处不一一列举。
- 创建OBS非分区表
- 指定OBS数据文件,创建csv格式的OBS表。
- 按照以下文件内容创建“test.csv”文件,并将“test.csv”文件上传到OBS桶“dli-test-021”的根目录下。
Jordon,88,23 Kim,87,25 Henry,76,26
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”,执行以下命令创建OBS表。
CREATE TABLE testcsvdatasource (name STRING, score DOUBLE, classNo INT ) USING csv OPTIONS (path "obs://dli-test-021/test.csv");
如果是通过指定的数据文件创建的OBS表,后续不支持在DLI通过insert表操作插入数据。OBS文件内容和表数据保持同步。
- 查询已创建的“testcsvdatasource”表数据。
select * from testcsvdatasource;
图1 查询结果
- 本地修改原始的OBS表文件“test.csv”,增加一行“Aarn,98,20”数据,重新替换OBS桶目录下的“test.csv”文件。
Jordon,88,23 Kim,87,25 Henry,76,26 Aarn,98,20
- 在DLI的SQL编辑器中再次查询“testcsvdatasource”表数据,DLI上可以查询到新增的“Aarn,98,20”数据。
select * from testcsvdatasource;
图2 查询结果
- 按照以下文件内容创建“test.csv”文件,并将“test.csv”文件上传到OBS桶“dli-test-021”的根目录下。
- 指定OBS数据文件目录,创建csv格式的OBS表。
- 指定的OBS数据目录不包含数据文件。
- 在OBS桶“dli-test-021”根目录下创建数据文件目录“data”。
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。在DLI的“testdb”数据库下创建OBS表“testcsvdata2source”。
CREATE TABLE testcsvdata2source (name STRING, score DOUBLE, classNo INT) USING csv OPTIONS (path "obs://dli-test-021/data");
- 通过insert语句插入表数据。
insert into testcsvdata2source VALUES('Aarn','98','20');
- insert作业运行成功后,查询OBS表“testcsvdata2source”数据。
select * from testcsvdata2source;
图3 查询结果
- 在OBS桶的“obs://dli-test-021/data”目录下刷新后查询,生成了csv数据文件,文件内容为insert插入的数据内容。
图4 查询结果
- 指定的OBS数据目录包含数据文件。
- 在OBS桶“dli-test-021”根目录下创建数据文件目录“data2”。创建如下内容的测试数据文件“test.csv”,并上传文件到“obs://dli-test-021/data2”目录下。
Jordon,88,23 Kim,87,25 Henry,76,26
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。在DLI的“testdb”数据库下创建OBS表“testcsvdata3source”。
CREATE TABLE testcsvdata3source (name STRING, score DOUBLE, classNo INT) USING csv OPTIONS (path "obs://dli-test-021/data2");
- 通过insert语句插入表数据。
insert into testcsvdata3source VALUES('Aarn','98','20');
- insert作业运行成功后,查询OBS表“testcsvdata3source”数据。
select * from testcsvdata3source;
图5 查询结果
- 在OBS桶的“obs://dli-test-021/data2”目录下刷新后查询,生成了一个csv数据文件,内容为insert插入的表数据内容。
图6 查询结果
- 在OBS桶“dli-test-021”根目录下创建数据文件目录“data2”。创建如下内容的测试数据文件“test.csv”,并上传文件到“obs://dli-test-021/data2”目录下。
- 指定的OBS数据目录不包含数据文件。
- 指定OBS数据文件,创建csv格式的OBS表。
- 创建OBS分区表
- 创建单分区OBS表
- 在OBS桶“dli-test-021”根目录下创建数据文件目录“data3”。
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。在DLI的“testdb”数据库下创建以“classNo”列为分区的OBS分区表“testcsvdata4source”,指定OBS目录“obs://dli-test-021/data3”。
CREATE TABLE testcsvdata4source (name STRING, score DOUBLE, classNo INT) USING csv OPTIONS (path "obs://dli-test-021/data3") PARTITIONED BY (classNo);
- 在OBS桶的“obs://dli-test-021/data3”目录下创建“classNo=25”的分区目录。根据以下文件内容创建数据文件“test.csv”,并上传到OBS的“obs://dli-test-021/data3/classNo=25”目录下。
Jordon,88,25 Kim,87,25 Henry,76,25
- 在SQL编辑器中执行以下命令,导入分区数据到OBS表“testcsvdata4source ”。
ALTER TABLE testcsvdata4source ADD PARTITION (classNo = 25) LOCATION 'obs://dli-test-021/data3/classNo=25';
- 查询OBS表“testcsvdata4source ”classNo分区为“25”的数据:
select * from testcsvdata4source where classNo = 25;
图7 查询结果
- 插入如下数据到OBS表“testcsvdata4source ”:
insert into testcsvdata4source VALUES('Aarn','98','25'); insert into testcsvdata4source VALUES('Adam','68','24');
- 查询OBS表“testcsvdata4source ”classNo分区为“25”和“24”的数据。
分区表在进行查询时where条件中必须携带分区字段,否则会查询失败,报:DLI.0005: There should be at least one partition pruning predicate on partitioned table。
select * from testcsvdata4source where classNo = 25;
图8 查询结果
select * from testcsvdata4source where classNo = 24;
图9 查询结果
- 在OBS桶的“obs://dli-test-021/data3”目录下点击刷新,该目录下生成了对应的分区文件,分别存放新插入的表数据。
图10 OBS上classNo分区为“25”文件数据
图11 OBS上classNo分区为“24”文件数据
- 创建多分区OBS表
- 在OBS桶“dli-test-021”根目录下创建数据文件目录“data4”。
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。在“testdb”数据库下创建以“classNo”和“dt”列为分区的OBS分区表“testcsvdata5source”,指定OBS目录“obs://dli-test-021/data4”。
CREATE TABLE testcsvdata5source (name STRING, score DOUBLE, classNo INT, dt varchar(16)) USING csv OPTIONS (path "obs://dli-test-021/data4") PARTITIONED BY (classNo,dt);
- 给 testcsvdata5source表插入如下测试数据:
insert into testcsvdata5source VALUES('Aarn','98','25','2021-07-27'); insert into testcsvdata5source VALUES('Adam','68','25','2021-07-28');
- 根据classNo分区列查询testcsvdata5source数据。
select * from testcsvdata5source where classNo = 25;
图12 查询结果
- 根据dt分区列查询testcsvdata5source数据。
select * from testcsvdata5source where dt like '2021-07%';
图13 查询结果
- 在OBS桶“obs://dli-test-021/data4”目录下刷新后查询,会生成如下数据文件:
- 文件目录1:obs://dli-test-021/data4/xxxxxx/classNo=25/dt=2021-07-27
图14 查询结果
- 文件目录2:obs://dli-test-021/data4/xxxxxx/classNo=25/dt=2021-07-28
图15 查询结果
- 文件目录1:obs://dli-test-021/data4/xxxxxx/classNo=25/dt=2021-07-27
- 在OBS桶的“obs://dli-test-021/data4”目录下创建“classNo=24”的分区目录,再在“classNo=24”目录下创建子分区目录“dt=2021-07-29”。根据以下文件内容创建数据文件“test.csv”,并上传到OBS的“obs://dli-test-021/data4/classNo=24/dt=2021-07-29”目录下。
Jordon,88,24,2021-07-29 Kim,87,24,2021-07-29 Henry,76,24,2021-07-29
- 在SQL编辑器中执行以下命令,导入分区数据到OBS表“testcsvdata5source ”。
ALTER TABLE testcsvdata5source ADD PARTITION (classNo = 24,dt='2021-07-29') LOCATION 'obs://dli-test-021/data4/classNo=24/dt=2021-07-29';
- 根据classNo分区列查询testcsvdata5source数据。
select * from testcsvdata5source where classNo = 24;
图16 查询结果
- 根据dt分区列查询所有“2021-07”月的所有数据。
select * from testcsvdata5source where dt like '2021-07%';
图17 查询结果
- 创建单分区OBS表
使用Hive语法创建OBS表
以下通过创建TEXTFILE格式的OBS表举例,创建其他数据格式的OBS表方法类似,此处不一一列举。
- 创建OBS非分区表
- 在OBS桶的“dli-test-021”根目录下创建数据文件目录“data5”。根据以下文件内容创建数据文件“test.txt”并上传到OBS的“obs://dli-test-021/data5”目录下。
Jordon,88,23 Kim,87,25 Henry,76,26
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。使用Hive语法创建OBS表,指定OBS文件路径为“obs://dli-test-021/data5/test.txt”,行数据分隔符为','。
CREATE TABLE hiveobstable (name STRING, score DOUBLE, classNo INT) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data5' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' :表示每行记录通过',' 进行分隔。
- 查询hiveobstable表数据。
select * from hiveobstable;
图18 查询结果
- 插入表数据:
insert into hiveobstable VALUES('Aarn','98','25'); insert into hiveobstable VALUES('Adam','68','25');
- 查询表数据:
select * from hiveobstable;
图19 查询结果
- 在OBS桶“obs://dli-test-021/data5”目录下刷新后查询,生成了两个数据文件,分别对应新插入的数据。
图20 查询结果
创建表字段为复杂数据格式的OBS表
- 在OBS桶的“dli-test-021”根目录下创建数据文件目录“data6”。根据以下文件内容创建数据文件“test.txt”并上传到OBS的“obs://dli-test-021/data6”目录下。
Jordon,88-22,23:21 Kim,87-22,25:22 Henry,76-22,26:23
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。使用Hive语法创建OBS表,指定OBS文件路径为“obs://dli-test-021/data6”。
CREATE TABLE hiveobstable2 (name STRING, hobbies ARRAY<string>, address map<string,string>) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data6' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' COLLECTION ITEMS TERMINATED BY '-' MAP KEYS TERMINATED BY ':';
- ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' :表示每条记录通过',' 进行分隔。
- COLLECTION ITEMS TERMINATED BY '-':表示第二个字段hobbies是array形式,元素与元素之间通过'-'分隔。
- MAP KEYS TERMINATED BY ':':表示第三个字段address是k-v形式,每组k-v内部由':'分隔。
- 查询hiveobstable2表数据。
select * from hiveobstable2;
图21 查询结果
- 在OBS桶的“dli-test-021”根目录下创建数据文件目录“data5”。根据以下文件内容创建数据文件“test.txt”并上传到OBS的“obs://dli-test-021/data5”目录下。
- 创建OBS分区表
- 在OBS桶的“dli-test-021”根目录下创建数据文件目录“data7”。
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列,数据库选择“testdb”。创建以classNo为分区列的OBS分区表,指定OBS路径“obs://dli-test-021/data7”。
CREATE TABLE IF NOT EXISTS hiveobstable3(name STRING, score DOUBLE) PARTITIONED BY (classNo INT) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data7' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
创建Hive语法的OBS分区表时,分区字段只能通过PARTITIONED BY指定,该分区字段不能出现在表名后的字段列表中。如下就是错误的示例:
CREATE TABLE IF NOT EXISTS hiveobstable3(name STRING, score DOUBLE, classNo INT) PARTITIONED BY (classNo) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data7';
- 插入表数据:
insert into hiveobstable3 VALUES('Aarn','98','25'); insert into hiveobstable3 VALUES('Adam','68','25');
- 查询表数据:
select * from hiveobstable3 where classNo = 25;
图22 查询结果
- 在OBS桶的“obs://dli-test-021/data7”目录下刷新后查询,新生成了分区目录“classno=25”,该分区目录下文件内容为新插入的表数据。
图23 查询结果
- 在OBS桶的“obs://dli-test-021/data7”目录下,创建分区目录“classno=24”。根据以下文件内容创建文件“test.txt”,并上传该文件到“obs://dli-test-021/data7/classno=24”目录下。
Jordon,88,24 Kim,87,24 Henry,76,24
- 在SQL编辑器中执行以下命令,手工导入分区数据到OBS表“hiveobstable3”。
ALTER TABLE hiveobstable3 ADD PARTITION (classNo = 24) LOCATION 'obs://dli-test-021/data7/classNo=24';
- 查询表“hiveobstable3”数据。
select * from hiveobstable3 where classNo = 24;
图24 查询结果
常见问题
- 问题一:查询OBS分区表报错,报错信息如下:
DLI.0005: There should be at least one partition pruning predicate on partitioned table `xxxx`.`xxxx`.;
问题根因:查询OBS分区表时没有携带分区字段。
解决方案:查询OBS分区表时,where条件中至少包含一个分区字段。
- 问题二:使用DataSource语法指定OBS文件路径创建OBS表,insert数据到OBS表,显示作业运行失败,报:“DLI.0007: The output path is a file, don't support INSERT...SELECT” 错误。
问题示例语句参考如下:
CREATE TABLE testcsvdatasource (name string, id int) USING csv OPTIONS (path "obs://dli-test-021/data/test.csv");
问题根因:创建OBS表指定的OBS路径为具体文件,导致不能插入数据。例如上述示例中的OBS路径为:"obs://dli-test-021/data/test.csv"。
解决方案:使用DataSource语法创建OBS表指定的OBS文件路径改为文件目录即可,后续即可通过insert插入数据。上述示例,建表语句可以修改为:CREATE TABLE testcsvdatasource (name string, id int) USING csv OPTIONS (path "obs://dli-test-021/data");
- 问题三:使用Hive语法创建OBS分区表时,提示语法格式不对。例如,如下使用Hive语法创建以classNo为分区的OBS表:
CREATE TABLE IF NOT EXISTS testtable(name STRING, score DOUBLE, classNo INT) PARTITIONED BY (classNo) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data7';
问题根因:使用Hive语法创建OBS分区表时,分区字段不能出现在表名后的字段列表中,只能定义在PARTITIONED BY后。
解决方案:使用Hive语法创建OBS分区表时,分区字段指定在PARTITIONED BY后。例如:CREATE TABLE IF NOT EXISTS testtable(name STRING, score DOUBLE) PARTITIONED BY (classNo INT) STORED AS TEXTFILE LOCATION 'obs://dli-test-021/data7';