EMR Serverless StarRocks 5000CU*时免费试用——体验极致性能和全面 OLAP 分析

本文涉及的产品
EMR Serverless Spark 免费试用,1000 CU*H 有效期3个月
EMR Serverless StarRocks,5000CU*H 48000GB*H
简介: EMR Serverless StarRocks 5000CU*H 计算资源,48000GB*H存储资源免费试用进行中,提供极致的性能和丰富的 OLAP 场景模型,包括 OLAP 多维分析、数据湖分析、高并发查询以及实时数据分析,快来体验吧!

EMR Serverless StarRocks 是开源 StarRocks 在阿里云上的全托管服务,您可以通过 EMR Serverless StarRocks 灵活的创建和管理 StarRocks 实例以及数据。StarRocks 作为一款兼容 MySQL 协议的 OLAP 分析引擎,提供了极致的性能和丰富的 OLAP 场景模型,包括 OLAP 多维分析、数据湖分析、高并发查询以及实时数据分析。


EMR Serverless StarRocks 5000CU*H 计算资源,48000GB*H存储资源免费试用,前往试用>>


产品核心优势:

1、全托管免运维,降低运维成本及使用复杂度

2、可视化、高效率的实例管理、监控告警及配置管理能力

3、专业的StarRocks Manager,提供便捷、可视化的元数据管理、诊断与优化、以及用户管理和授权能力。


EMR Serverless StarRocks 使用教程简介

基于历史世界杯数据集,在阿里云EMR Serverless StarRocks上创建StarRocks的数据库、数据表,并使用StarRocks进行数据查询,帮助您快速体验EMR Serverless StarRocks。


准备环境和资源

开始教程前,请按以下步骤准备环境和资源:

  1. 访问阿里云免费试用。单击页面右上方的登录/注册按钮,并根据页面提示完成账号登录(已有阿里云账号)、账号注册(尚无阿里云账号)或实名认证(根据试用产品要求完成个人实名认证或企业实名认证)。


  1. 成功登录后,在产品类别下选择大数据计算>数据湖,在EMR Serverless StarRocks卡片上,单击立即试用


  1. 如果您第一次访问该服务,可能需要进行角色授权。请在弹出的授权请求页面,单击前往RAM进行授权后,单击同意授权,完成自动化角色授权。授权成功后,需返回立即试用页面。


  1. 配置教程参数。完成本教程需要的配置如表格所示,未提及的配置保持默认或按需修改。

配置项

说明

地域

华北2(北京)

可用区

可用区G

专有网络

选择您已创建的专有网络。如果没有创建,请参见创建和管理专有网络创建。

交换机

选择您已创建的虚拟交换机。如果没有创建,请参见创建和管理交换机创建。

EMR ServerLess StarRocks资源包

5000 CU*时计算资源,100 GB 20天存储资源。目前仅支持抵扣华北2(北京)、华东2(上海)、华南1(深圳)和华东1(杭州)地域的按量付费资源。EMR资源抵扣包计费说明请参见计费概述

监控服务

3个月的免费资源抵扣包。

负载均衡

3个月的免费资源抵扣包。

实例名称

实例名称,长度限制为1~64个字符,仅可使用中文、字母、数字、短划线(-)和下划线(_)。例如,test-emr。

登录密码确认密码

自定义密码。

服务协议

选中


  1. 单击立即试用


  1. 在弹出的EMR Serverless StarRocks面板中,单击任意行操作列的控制台,随后进入开源大数据平台E-MapReduce控制台。实例创建需要约3~5分钟,请耐心等待



通过 SQL Editor 连接 StarRocks 实例

  1. 开源大数据平台E-MapReduce控制台,选择左侧导航栏中的EMR Serverless > StarRocks


  1. StarRocks页面,单击右上角的StarRocks Manager


  1. 在弹出的新建连接对话框中,配置以下信息。

参数

说明

地域

本教程为华北2(北京)。

实例

选择EMR ServerLess StarRocks试用为您创建好的实例。

连接名称

会自动获取到实例名称。

用户名

默认初始用户名admin。

密码

admin用户的密码。


  1. 单击确定


  1. 在左侧导航栏,单击SQL Editor



创建表并导入数据

  1. 执行以下命令,创建数据库和表。
create database sr_db;createtable if not exists sr_db.world_cup_summary(yearvarchar(20),  HostCountry varchar(20),  Winner varchar(50),  Second varchar(50),  Third varchar(50),  Fourth varchar(50),  GoalsScored bigint,  QualifiedTeams bigint,  MatchesPlayed bigint,  Attendance bigint,  HostContinent varchar(50),  WinnerContinent varchar(50))distributed by hash(Attendance) buckets 2properties("replication_num"="1");

world_cup_summary表包含了所有21届世界杯赛事(1930-2018)的比赛主办国、前四名队伍、总参赛队伍、总进球数、现场观众人数等汇总信息,包括如下字段:

  • Year: 举办年份
  • HostCountry: 举办国家
  • Winner: 冠军队伍
  • Second: 亚军队伍
  • Third: 季军队伍
  • Fourth: 第四名队伍
  • GoalsScored: 总进球数
  • QualifiedTeams: 总参赛队伍数
  • MatchesPlayed: 总比赛场数
  • Attendance: 现场观众总人数
  • HostContinent: 举办国所在洲
  • WinnerContinent: 冠军国家队所在洲


  1. 单击上方的运行。单击数据库区域右上角的图标,即可看到创建的库表信息。


  1. 执行以下命令,写入数据到StarRocks。
insertinto sr_db.world_cup_summaryvalues('1938','France','Italy','Hungary','Brazil','Sweden',84,15,18,375700,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1958','Sweden','Brazil','Sweden','France','Germany',126,16,35,819810,'Europe','America');insertinto sr_db.world_cup_summaryvalues('1962','Chile','Brazil','Czechoslovakia','Chile','Yugoslavia',89,16,32,893172,'America','America');insertinto sr_db.world_cup_summaryvalues('1974','Germany','Germany','Netherlands','Poland','Brazil',97,16,38,1865753,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1978','Argentina','Argentina','Netherlands','Brazil','Italy',102,16,38,1545791,'America','America');insertinto sr_db.world_cup_summaryvalues('1986','Mexico','Argentina','Germany','France','Belgium',132,24,52,2394031,'America','America');insertinto sr_db.world_cup_summaryvalues('1990','Italy','Germany','Argentina','Italy','England',115,24,52,2516215,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1998','France','France','Brazil','Croatia','Netherlands',171,32,64,2785100,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('2002','Korea/Japan','Brazil','Germany','Turkey','Korea Republic',161,32,64,2705197,'Asia','America');insertinto sr_db.world_cup_summaryvalues('2006','Germany','Italy','France','Germany','Portugal',147,32,64,3359439,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('2014','Brazil','Germany','Argentina','Netherlands','Brazil',171,32,64,3386810,'America','Europe');insertinto sr_db.world_cup_summaryvalues('1930','Uruguay','Uruguay','Argentina','USA','Yugoslavia',70,13,18,590549,'America','America');insertinto sr_db.world_cup_summaryvalues('1934','Italy','Italy','Czechoslovakia','Germany','Austria',70,16,17,363000,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1950','Brazil','Uruguay','Brazil','Sweden','Spain',88,13,22,1045246,'America','America');insertinto sr_db.world_cup_summaryvalues('1954','Switzerland','Germany','Hungary','Austria','Uruguay',140,16,26,768607,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1966','England','England','Germany','Portugal','Soviet Union',89,16,32,1563135,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1970','Mexico','Brazil','Italy','Germany','Uruguay',95,16,32,1603975,'America','America');insertinto sr_db.world_cup_summaryvalues('1982','Spain','Italy','Germany','Poland','France',146,24,52,2109723,'Europe','Europe');insertinto sr_db.world_cup_summaryvalues('1994','USA','Brazil','Italy','Sweden','Bulgaria',141,24,52,3587538,'America','America');insertinto sr_db.world_cup_summaryvalues('2010','South Africa','Spain','Netherlands','Germany','Uruguay',145,32,64,3178856,'Africa','Europe');


  1. 单击上方的运行



OLAP 分析数据

  • 分析国家的夺冠次数的前5名,单击上方的运行,查看展示结果。
select Winner ,count('Winner') as Winner_count from sr_db.world_cup_summary group by Winner order by Winner_count desc limit 5;


  • 分析东道主进入半决赛(4强)概率,单击上方的运行,查看展示结果。
select '进半决赛' as '主办方进半决赛圈', count(1) as count from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner=HostCountry or Second=HostCountry or Third=HostCountry or Fourth=HostCountry) a
union
select '没进半决赛' as '主办方进半决赛圈', count(1) as count  from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner!=HostCountry and Second!=HostCountry and Third!=HostCountry and Fourth!=HostCountry) b;


  • 分析东道主进入决赛概率,单击上方的运行,查看展示结果。
select '进决赛' as '主办方进决赛圈', count(1) as '历史次数'   from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner=HostCountry or Second=HostCountry ) a
union
select '没进决赛' as '主办方进决赛圈', count(1) as '历史次数' from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner!=HostCountry and Second!=HostCountry ) b;


  • 分析东道主夺得世界杯冠军的概率,单击上方的运行,查看展示结果。
select '夺得冠军' as 'host_top', count(1) as count  ,'夺得冠军' as 'color' from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner=HostCountry  ) a
 union
 select '没夺冠军' as 'host_top', count(1) as count,'没夺冠军' as 'color' from (select year ,HostCountry, Winner , Second,Third,Fourth from sr_db.world_cup_summary where Winner!=HostCountry  ) b;



完成

通过简单的数据实时分析示例,您已完成了创建StarRocks实例,并使用StarRocks进行数据查询,帮助您快速体验EMR Serverless StarRocks。




  • EMR Serverless StarRocks 5000CU*H 计算资源,48000GB*H存储资源免费试用,前往试用>>



  • EMR Serverless StarRocks 钉钉交流群:24010016636
相关实践学习
基于EMR Serverless StarRocks一键玩转世界杯
基于StarRocks构建极速统一OLAP平台
快速掌握阿里云 E-MapReduce
E-MapReduce 是构建于阿里云 ECS 弹性虚拟机之上,利用开源大数据生态系统,包括 Hadoop、Spark、HBase,为用户提供集群、作业、数据等管理的一站式大数据处理分析服务。 本课程主要介绍阿里云 E-MapReduce 的使用方法。
目录
相关文章
|
3月前
|
存储 监控 数据挖掘
京东物流基于Flink & StarRocks的湖仓建设实践
本文整理自京东物流高级数据开发工程师梁宝彬在Flink Forward Asia 2024的分享,聚焦实时湖仓的探索与建设、应用实践、问题思考及未来展望。内容涵盖京东物流通过Flink和Paimon等技术构建实时湖仓体系的过程,解决复杂业务场景下的数据分析挑战,如多维OLAP分析、大屏监控等。同时,文章详细介绍了基于StarRocks的湖仓一体方案,优化存储成本并提升查询效率,以及存算分离的应用实践。最后,对未来数据服务的发展方向进行了展望,计划推广长周期数据存储服务和原生数据湖建设,进一步提升数据分析能力。
294 1
京东物流基于Flink & StarRocks的湖仓建设实践
|
3月前
|
存储 运维 Serverless
千万级数据秒级响应!碧桂园基于 EMR Serverless StarRocks 升级存算分离架构实践
碧桂园服务通过引入 EMR Serverless StarRocks 存算分离架构,解决了海量数据处理中的资源利用率低、并发能力不足等问题,显著降低了硬件和运维成本。实时查询性能提升8倍,查询出错率减少30倍,集群数据 SLA 达99.99%。此次技术升级不仅优化了用户体验,还结合AI打造了“一看”和“—问”智能场景助力精准决策与风险预测。
328 69
|
2月前
|
存储 缓存 分布式计算
StarRocks x Iceberg:云原生湖仓分析技术揭秘与最佳实践
本文将深入探讨基于 StarRocks 和 Iceberg 构建的云原生湖仓分析技术,详细解析两者结合如何实现高效的查询性能优化。内容涵盖 StarRocks Lakehouse 架构、与 Iceberg 的性能协同、最佳实践应用以及未来的发展规划,为您提供全面的技术解读。 作者:杨关锁,北京镜舟科技研发工程师
StarRocks x Iceberg:云原生湖仓分析技术揭秘与最佳实践
|
6月前
|
存储 缓存 数据挖掘
StarRocks 原理详解:探索高效 OLAP 的奥秘
StarRocks 是一款高性能分析型数据仓库,采用向量化、MPP架构、CBO等技术,实现多维、实时、高并发的数据分析。它支持从各类数据源高效导入数据,兼容MySQL协议,并具备水平扩展、高可用等特性,广泛应用于实时数仓、OLAP报表等场景。StarRocks 解决了传统数仓在查询性能、数据导入、扩展性和灵活性等方面的挑战,助力企业实现数据驱动的决策。其分布式架构和智能物化视图等功能显著提升了查询效率,适用于大数据生态中的各种复杂需求。
1023 15
|
7月前
|
SQL 存储 缓存
EMR Serverless StarRocks 全面升级:重新定义实时湖仓分析
本文介绍了EMR Serverless StarRocks的发展路径及其架构演进。首先回顾了Serverless Spark在EMR中的发展,并指出2021年9月StarRocks开源后,OLAP引擎迅速向其靠拢。随后,EMR引入StarRocks并推出全托管产品,至2023年8月商业化,已有500家客户使用,覆盖20多个行业。 文章重点阐述了EMR Serverless StarRocks 1.0的存算一体架构,包括健康诊断、SQL调优和物化视图等核心功能。接着分析了存算一体架构的挑战,如湖访问不优雅、资源隔离不足及冷热数据分层困难等。
|
7月前
|
SQL 安全 Serverless
活动实践 | 基于EMR StarRocks实现游戏玩家画像和行为分析
基于阿里云EMR Serverless StarRocks,利用其物化视图和DLF读写Paimon等能力,构建游戏玩家画像和行为分析平台。通过收集、处理玩家行为日志,最终以报表形式展示分析结果,帮助业务人员决策。
|
3月前
|
SQL 分布式计算 Serverless
鹰角网络:EMR Serverless Spark 在《明日方舟》游戏业务的应用
鹰角网络为应对游戏业务高频活动带来的数据潮汐、资源弹性及稳定性需求,采用阿里云 EMR Serverless Spark 替代原有架构。迁移后实现研发效率提升,支持业务快速发展、计算效率提升,增强SLA保障,稳定性提升,降低运维成本,并支撑全球化数据架构部署。
328 56
鹰角网络:EMR Serverless Spark 在《明日方舟》游戏业务的应用
|
3月前
|
人工智能 开发框架 安全
Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
作为云上托管 MCP 服务的最佳运行时,函数计算 FC 为阿里云百炼 MCP 提供弹性调用能力,用户只需提交 npx 命令即可“零改造”将开源 MCP Server 部署到云上,函数计算 FC 会准备好计算资源,并以弹性、可靠的方式运行 MCP 服务,按实际调用时长和次数计费,欢迎你在阿里云百炼和函数计算 FC 上体验 MCP 服务。
353 30
|
6月前
|
人工智能 运维 物联网
云大使 X 函数计算 FC 专属活动上线!享返佣,一键打造 AI 应用
如今,AI 技术已经成为推动业务创新和增长的重要力量。但对于许多企业和开发者来说,如何高效、便捷地部署和管理 AI 应用仍然是一个挑战。阿里云函数计算 FC 以其免运维的特点,大大降低了 AI 应用部署的复杂性。用户无需担心底层资源的管理和运维问题,可以专注于应用的创新和开发,并且用户可以通过一键部署功能,迅速将 AI 大模型部署到云端,实现快速上线和迭代。函数计算目前推出了多种规格的云资源优惠套餐,用户可以根据实际需求灵活选择。
|
3月前
|
人工智能 开发框架 运维
Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
Serverless MCP 运行时业界首发,函数计算支持阿里云百炼 MCP 服务!阿里云百炼发布业界首个全生命周期 MCP 服务,无需用户管理资源、开发部署、工程运维等工作,5 分钟即可快速搭建一个连接 MCP 服务的 Agent(智能体)。作为云上托管 MCP 服务的最佳运行时,函数计算 FC 为阿里云百炼 MCP 提供弹性调用能力。
 Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速