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
更新时间：2024-09-19 GMT+08:00
查看PDF
分享

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

  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");

        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。

        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”，行数据分割符为','。 
      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。

    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 ':';
      • 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 ',';

      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';
父主题： SQL作业开发指南