E-MapReduce中Spark 2.x读写MaxCompute数据

本文涉及的产品
EMR Serverless StarRocks,5000CU*H 48000GB*H
EMR Serverless Spark 免费试用,1000 CU*H 有效期3个月
简介: 最新的`aliyun-emapreduce-sdk`将`MaxCompute`数据以`DataSource`的方式接入Spark 2.x,用户可以使用类似Spark 2.x中读写`json/parquet/csv`的方式来访问MaxCompute.

最新的aliyun-emapreduce-sdkMaxCompute数据以DataSource的方式接入Spark 2.x,用户可以使用类似Spark 2.x中读写json/parquet/csv的方式来访问MaxCompute.

0. DataSource

a) DataSource提供了一种插件式的外部数据接入SparkSQL的方式,数据源只要实现相应的DataSource API即可以整合进SparkSQL,它的特点如下:

  • 通过DataSet/DataFrame/sparkSQLText等标准方式来访问数据源
  • SparkSQL引擎优化
  • scala语言接入后,Spark支持的其它语言也可以进行访问,如pyspark等

    Spark 2.x内置支持的数据源:

    • json
    • csv
    • parquet
    • orc
    • text
    • jdbc

    Spark 2.x 访问数据源示例:

    b) 读数据

    val df = spark.read.json("pathToJson")
    
    // 提供schema信息
    val schemaType = StructType(Seq(
      StructField("year", IntegerType, nullable = true))
    spark.read.schema(schemaType)json("pathToJson")
    
    // 带一些参数设置,如csv的分隔符等
    spark.read.option("header", "false").option("sep", ",").csv("pathToCsv"")
    
    // load api, 等同于spark.read.json("pathToLoad")
    spark.read.format("json").load("pathToLoad")
    
    // sql方式访问
    df.createOrReplaceTempView("t")
    spark.sql("select * from t")
    
    AI 代码解读

    c) 写数据

    ```
    val df = Seq(1, 2, 3).toDF("a")
    df.write.json("jsonWritePath")

    // 等同上面写法
    df.write.format("json").save("jsonWritePath")

 // 带参数
 df.write
   .option("header", "true")
   .option("compression", "gZiP")
   .csv("csvWritePath")

 // 路径存在,则覆盖
 df.write.mode("overwrite").json("jsonWritePath")
AI 代码解读
 **d)**sparkSQLText using DataSource
AI 代码解读
  spark.sql("create table t(a string) using json")
  spark.sql("insert int table t select 1")
  spark.sql("select * from t")
  ...
AI 代码解读

#### 1. MaxCompute以DataSource接入Spark 2.x

  如上介绍了DataSource的特点以及读写方式,MaxCompute作为一个数据源,通过E-MapReduce的`aliyun-emapreduce-sdk`也可以通过上述方式来访问。

##### 1.1.  aliyun-emapreduce-sdk

  [Git地址](https://github.com/aliyun/aliyun-emapreduce-sdk) 

  **branch: master-2.x**

#### 1.2 SparkSQL读写MaxCompute

###### a) option参数设置

访问MaxCompute表中的数据,需要一些参数,如下:

parameter | optional | value
------------ | ------------- | ------------
odpsUrl | No  | 
tunnelUrl | No  | 
accessKeySecret | No  | 阿里云accessKeySecret
accessKeyId | No  | 阿里云accessKeyId
project | No  | MaxCompute项目空间
table | No  | MaxCompute表名
numPartitions | Yes  | 表的Partition个数,默认 1
partitionSpec | Yes  | 分区信息,如pt=xxx,多个用逗号分开pt=xxx,dt=xxx
allowCreatNewPartition | Yes  | 分区不存在是否创建,默认 false

######b) 写数据

* MaxCompute中必须已经存在表()),若没有需要去MaxCompute控制台进行创建
* 将`DataFrame`中的数据写入MaxCompute的表中
AI 代码解读

val df = Seq(("Hello", "E-MapReduce")).toDF("a","b")
df.write.format("org.apache.spark.aliyun.maxcompute.datasource")
.option("odpsUrl", ")
.option("tunnelUrl"
.option("table", "t")
.option("project", "test_odpss")
.option("accessKeyId", "your accessKeyId")
.option("accessKeySecret", "your accessKeySecret")
.mode("overwrite") //覆盖写
.save()

case class MyClass(a: String, b: String)
val df1 = Seq(MyClass("Hello", "World")).toDF
df1.write.format("org.apache.spark.aliyun.maxcompute.datasource")
.option("odpsUrl")
.option("tunnelUrl"
.option("table", "t")
.option("project", "test_odpss")
.option("accessKeyId", "your accessKeyId")
.option("accessKeySecret", "your accessKeySecret")
.mode("append") //append追加
.save()

// 写分区表 建表:create table t1(a string) partitioned by(b string)
val df2 = Seq("E-MapReduce").toDF("a") // 不包含分区列
df2.write.format("org.apache.spark.aliyun.maxcompute.datasource")
.option("odpsUrl")
.option("tunnelUrl")
.option("table", "t1")
.option("project", "test_odpss")
.option("partitionSpec","b='Hello'") // 分区描述
.option("allowCreatNewPartition","true") //若分区不存在,是否创建
.option("accessKeyId", "your accessKeyId")
.option("accessKeySecret", "your accessKeySecret")
.mode("append") //append追加
.save()

**备注:** 
>
DataFrame的列名和类型必须和MaxCompute的表中一致
>
`不支持`spark.write.parititonBy
>
 `不支持`动态分区

* MaxCompute控制台查询表数据进行验证

序号 | a | b
------------ | ------------- | ------------
1 | Hello  | E-MapReduce |
2|Hello | World

###### c) 读数据
* 从上述表中读取数据到`DataFrame`
AI 代码解读

val df = spark
.read
.format("org.apache.spark.aliyun.maxcompute.datasource")
.option("odpsUrl")
.option("tunnelUrl")
.option("table", "t")
.option("project", "test_odpss")
.option("accessKeyId", "your accessKeyId")
.option("accessKeySecret", "your accessKeySecret")
.load()

df.show(false)

+-----+-----------+
|a |b |
+-----+-----------+
|Hello|E-MapReduce|
|Hello|World |
+-----+-----------+

// 读出为DataFrame后可进行DataFrame的各种操作,如join
val df1 = Seq(("Hello", "AliYun")).toDF("a", "c")
df.join(df1, "a").show(false)

+-----+-----------+-------+
|a |b |c |
+-----+-----------+-------+
|Hello|E-MapReduce|AliYun|
|Hello|World |AliYun|
+-----+-----------+-------+

// 也可注册为Spark的临时表
df.createOrReplaceTempView("test_t")
spark.sql("select * from test_t").show(false)

df1.createOrReplaceTempView("test_t_1")
spark.sql("select * from test_t join test_t_1 on test_t.a = test_t_1.a ")

// 读分区表 建表:create table t2(a string) partitioned by(b string)
spark.read.format("org.apache.spark.aliyun.maxcompute.datasource")
.option("odpsUrl")
.option("tunnelUrl")
.option("table", "t2") // table t2
.option("project", "test_odpss")
.option("partitionSpec","b='Hello'") // 分区描述
.option("accessKeyId", "your accessKeyId")
.option("accessKeySecret", "your accessKeySecret")
.save()

+-----------+
|a |
+-----------+
|E-MapReduce|
+-----------+

```

d) sparkSQLText
  • 不支持在sparkSQLText直接对MaxCompute表进行相关操作
  • 可以通过上述读数据的方式使用DataFrame注册成临时表的方式,进行相关操作(insert不支持)
相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
打赏
0
0
0
1
1306
分享
相关文章
在数据浪潮中前行:记录一次我与ODPS的实践、思考与展望
本文详细介绍了在 AI 时代背景下,如何利用阿里云 ODPS 平台(尤其是 MaxCompute)进行分布式多模态数据处理的实践过程。内容涵盖技术架构解析、完整操作流程、实际部署步骤以及未来发展方向,同时结合 CSDN 博文深入探讨了多模态数据处理的技术挑战与创新路径,为企业提供高效、低成本的大规模数据处理方案。
46 2
ODPS在某公共数据项目上的实践
本项目基于公共数据定义及ODPS与DataWorks技术,构建一体化智能化数据平台,涵盖数据目录、归集、治理、共享与开放六大目标。通过十大子系统实现全流程管理,强化数据安全与流通,提升业务效率与决策能力,助力数字化改革。
24 4
ODPS:数据浪潮中的成长与突围
本文讲述了作者在大数据浪潮中,通过引入阿里云ODPS体系(包括MaxCompute、DataWorks、Hologres)解决数据处理瓶颈、实现业务突破与个人成长的故事。从被海量数据困扰到构建“离线+实时”数据架构,ODPS不仅提升了数据处理效率,更推动了技术能力与业务影响力的双重跃迁。
数据没洗干净,分析全白干:聊聊大数据里的“洗澡水”工程
数据没洗干净,分析全白干:聊聊大数据里的“洗澡水”工程
49 1
大数据≠大样本:基于Spark的特征降维实战(提升10倍训练效率)
本文探讨了大数据场景下降维的核心问题与解决方案,重点分析了“维度灾难”对模型性能的影响及特征冗余的陷阱。通过数学证明与实际案例,揭示高维空间中样本稀疏性问题,并提出基于Spark的分布式降维技术选型与优化策略。文章详细展示了PCA在亿级用户画像中的应用,包括数据准备、核心实现与效果评估,同时深入探讨了协方差矩阵计算与特征值分解的并行优化方法。此外,还介绍了动态维度调整、非线性特征处理及降维与其他AI技术的协同效应,为生产环境提供了最佳实践指南。最终总结出降维的本质与工程实践原则,展望未来发展方向。
在数据浪潮中前行:我与ODPS的实践、思考与展望
在数据驱动决策的时代,企业如何高效处理海量数据成为数字化转型关键。本文结合作者实践,深入解析阿里云自研大数据平台 ODPS 的技术优势与应用场景,涵盖 MaxCompute、DataWorks、Hologres 等核心产品,分享从数据治理到实时分析的落地经验,并展望其在 AI 与向量数据时代的发展前景。
阿里云ODPS多模态数据处理实战:MaxFrame的分布式AI数据管道构建
初次接触MaxCompute时,我被其强大的分布式计算能力所震撼,但真正让我深度依赖这套生态的转折点,是在一次处理百万级图像数据集的项目中。当时我们面临的挑战是如何在有限的时间内完成大规模图像特征提取和模型训练,传统的单机处理方案显然无法胜任。经过深入调研,我们选择了MaxCompute的Object Table功能来管理非结构化数据,配合MaxFrame进行分布式计算,整个处理流程的效率提升了300%以上。 在随后的几年实践中,我逐渐发现ODPS不仅仅是一个大数据处理平台,更是一个完整的数据生态系统。从DataWorks的可视化开发环境,到Hologres的实时查询能力,再到MaxCompu
51 3
阿里云ODPS多模态数据处理实战:MaxFrame的分布式AI数据管道构建
从数据小白到分析能手:我在 ODPS 的成长之旅
从初出茅庐到独当一面,ODPS 陪我走过了一段特别难忘的旅程。它不仅让我在技术上突飞猛进,还让我对自己更有信心。未来,我肯定还会继续用 ODPS,去挖掘数据里更多的宝藏,创造更多价值。
34 2
“脏”数据毁一生?教你用大数据清洗术,给数据洗个“澡”!
“脏”数据毁一生?教你用大数据清洗术,给数据洗个“澡”!
57 4
“数据会治病?”——大数据+电子健康记录,到底图啥?
“数据会治病?”——大数据+电子健康记录,到底图啥?
23 0

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问