计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
文档首页/ 数据湖探索 DLI/ 开发指南/ SQL作业开发指南/ 使用Spark SQL作业分析OBS数据

使用Spark SQL作业分析OBS数据

更新时间:2025-01-10 GMT+08:00

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

  1. 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。
  2. 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

表1 DataSource语法和Hive语法创建OBS表的差异点

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。
      1. 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
      2. 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");
        注意:

        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。

      3. 查询已创建的“testcsvdatasource”表数据。
        select * from testcsvdatasource;
        图1 查询结果
      4. 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
      5. 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
    • 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。
        1. 在OBS桶“dli-test-021”根目录下创建数据文件目录“data”。
        2. 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");
        3. 通过insert语句插入表数据。
          insert into testcsvdata2source VALUES('Aarn','98','20');
        4. insert作业运行成功后,查询OBS表“testcsvdata2source”数据。
          select * from testcsvdata2source;
          图3 查询结果
        5. 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。
        1. 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
        2. 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");
        3. 通过insert语句插入表数据。
          insert into testcsvdata3source VALUES('Aarn','98','20');
        4. insert作业运行成功后,查询OBS表“testcsvdata3source”数据。
          select * from testcsvdata3source;
          图5 查询结果
        5. 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
  • 创建OBS分区表
    • 创建单分区OBS表
      1. 在OBS桶“dli-test-021”根目录下创建数据文件目录“data3”。
      2. 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);
      1. 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
      2. 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';
      3. 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
      4. 插入如下数据到OBS表“testcsvdata4source ”:
        insert into testcsvdata4source VALUES('Aarn','98','25');
        insert into testcsvdata4source VALUES('Adam','68','24');
      5. 查询OBS表“testcsvdata4source ”classNo分区为“25”和“24”的数据。
        注意:

        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
      6. 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
      1. 在OBS桶“dli-test-021”根目录下创建数据文件目录“data4”。
      2. 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);
      3. 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');
      4. 根据classNo分区列查询testcsvdata5source数据。
        select * from testcsvdata5source where classNo = 25;
        图12 查询结果
      5. 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
      6. 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
      7. 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
      8. 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';
      9. 根据classNo分区列查询testcsvdata5source数据。
        select * from testcsvdata5source where classNo = 24;
        图16 查询结果
      10. 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

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
    1. 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
    2. 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 ',';
      说明:

      ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' :表示每行记录通过',' 进行分隔。

    3. 查询hiveobstable表数据。
      select * from hiveobstable;
      图18 查询结果
    4. 插入表数据:
      insert into hiveobstable VALUES('Aarn','98','25');
      insert into hiveobstable VALUES('Adam','68','25');
    5. 查询表数据:
      select * from hiveobstable;
      图19 查询结果
    6. 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

    1. 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
    2. 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 ':';
      说明:
      • 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。
    3. 查询hiveobstable2表数据。
      select * from hiveobstable2;
      图21 查询结果
  • 创建OBS分区表
    1. 在OBS桶的“dli-test-021”根目录下创建数据文件目录“data7”。
    2. 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 ',';
      注意:

      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';

    3. 插入表数据:
      insert into hiveobstable3 VALUES('Aarn','98','25');
      insert into hiveobstable3 VALUES('Adam','68','25');
    4. 查询表数据:
      select * from hiveobstable3 where classNo = 25;
      图22 查询结果
    5. 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
    6. 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
    7. 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';
    8. 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';

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容