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。
-
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
-
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。
-
（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。
2. 在EMR集群侧创建Spark外表
- 登录EMR Header服务器。
- 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 -
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
-
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。
-
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。
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。
在EMR集群侧创建Spark外表
- 登录EMR Header服务器
-
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
- SQL语句：
-
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"}';
- 地理长方形查询
-
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"]}';
