开发者社区> 问答> 正文

MaxCompute用户指南:处理非结构化数据:访问 OSS 非结构化数据



本文将带您实现在 MaxCompute 上轻松访问 OSS 的数据,关于处理非结构化数据的原理性介绍请参见 前言

操作步骤



系统内置方式读取 OSS 数据


访问外部数据源时,需要用户自定义不同的 Extractor,同时您也可以使用 MaxCompute 内置的 Extractor,来读取按照约定格式存储的 OSS 数据。只需要创建一个外部表,便可把这张表作为源表进行查询。
假设有一份 CSV 数据存在 OSS 上,endpoint 为oss-cn-shanghai-internal.aliyuncs.com,bucket 为oss-odps-test,数据文件的存放路径为/demo/vehicle.csv。

授予权限


您可通过以下两种方式授予权限:


  • 直接登录阿里云账号后,点击此处完成一键授权

  • 自定义授权。

    1. 首先需要在 RAM 中授予 MaxCompute 访问 OSS  的权限。登录 RAM控制台,通过控制台中的 角色管理 创建角色 AliyunODPSDefaultRole。如下图所示:

    2. 修改策略内容设置,如下所示:{
    3. "Statement": [
    4. {
    5. "Action": "sts:AssumeRole",
    6. "Effect": "Allow",
    7. "Principal": {
    8.    "Service": [
    9.      "odps.aliyuncs.com"
    10.    ]
    11. }
    12. }
    13. ],
    14. "Version": "1"
    15. }

  • 编辑该角色的授权策略 AliyunODPSRolePolicy。如下所示:
    1. {
    2. "Version": "1",
    3. "Statement": [
    4. {
    5. "Action": [
    6.    "oss:ListBuckets",
    7.    "oss:GetObject",
    8.    "oss:ListObjects",
    9.    "oss:PutObject",
    10.    "oss:DeleteObject",
    11.    "oss:AbortMultipartUpload",
    12.    "oss:ListParts"
    13. ],
    14. "Resource": "*",
    15. "Effect": "Allow"
    16. }
    17. ]
    18. }
    19. --可自定义其他权限

  • 将权限AliyunODPSRolePolicy授权给该角色。


创建外部表


创建外部表,语句如下:
  1. CREATE EXTERNAL TABLE IF NOT EXISTS ambulance_data_csv_external
  2. (
  3. vehicleId int,
  4. recordId int,
  5. patientId int,
  6. calls int,
  7. locationLatitute double,
  8. locationLongtitue double,
  9. recordTime string,
  10. direction string
  11. )
  12. STORED BY 'com.aliyun.odps.CsvStorageHandler' -- (1)
  13. WITH SERDEPROPERTIES (
  14. 'odps.properties.rolearn'='acs:ram::1811270634786818:role/aliyunodpsdefaultrole'
  15. ) -- (2)
  16. LOCATION 'oss://oss-cn-shanghai-internal.aliyuncs.com/oss-odps-test/Demo/'; -- (3)(4)

上述语句,说明如下:

  • com.aliyun.odps.CsvStorageHandler是内置的处理 CSV 格式文件的StorageHandler,它定义了如何读写 CSV 文件。您只需指明这个名字,相关逻辑已经由系统实现。

  • odps.properties.rolearn中的信息是 RAM 中AliyunODPSDefaultRole的Arn信息。您可以通过 RAM 控制台中的 角色详情 获取。

  • LOCATION 必须指定一个 OSS 目录,默认系统会读取这个目录下所有的文件。
    建议您使用 OSS 提供的内网域名,否则将产生 OSS 流量费用。

  • 建议您存放 OSS 数据的区域对应您开通 MaxCompute 的区域。由于 MaxCompute 只有在部分区域部署,我们不承诺跨区域的数据连通性。

  • OSS 的连接格式为oss://oss-cn-shanghai-internal.aliyuncs.com/Bucket名称/目录名称/。目录后不要加文件名称,如下的集中用法都是错误的:
    1. http://oss-odps-test.oss-cn-shanghai-internal.aliyuncs.com/Demo/  -- 不支持http连接
    2. https://oss-odps-test.oss-cn-shanghai-internal.aliyuncs.com/Demo/ -- 不支持https连接
    3. oss://oss-odps-test.oss-cn-shanghai-internal.aliyuncs.com/Demo -- 连接地址错误
    4. oss://oss://oss-cn-shanghai-internal.aliyuncs.com/oss-odps-test/Demo/vehicle.csv  -- 不必指定文件名

外部表只是在系统中记录了与 OSS 目录的关联,当 Drop 这张表时,对应的LOCATION数据不会被删除。
更多有关外部表的说明请参见 DDL 语句

查询外部表


外部表创建成功后,便可如同普通表一样使用这个外部表。假设/demo/vehicle.csv数据如下:
  1. 1,1,51,1,46.81006,-92.08174,9/14/2014 0:00,S
  2. 1,2,13,1,46.81006,-92.08174,9/14/2014 0:00,NE
  3. 1,3,48,1,46.81006,-92.08174,9/14/2014 0:00,NE
  4. 1,4,30,1,46.81006,-92.08174,9/14/2014 0:00,W
  5. 1,5,47,1,46.81006,-92.08174,9/14/2014 0:00,S
  6. 1,6,9,1,46.81006,-92.08174,9/14/2014 0:00,S
  7. 1,7,53,1,46.81006,-92.08174,9/14/2014 0:00,N
  8. 1,8,63,1,46.81006,-92.08174,9/14/2014 0:00,SW
  9. 1,9,4,1,46.81006,-92.08174,9/14/2014 0:00,NE
  10. 1,10,31,1,46.81006,-92.08174,9/14/2014 0:00,N

执行如下 SQL 语句:
  1. select recordId, patientId, direction from ambulance_data_csv_external where patientId > 25;

这条语句会提交一个作业,调用内置 csv extractor,从 OSS 读取数据进行处理。输出结果如下:
  1. +------------+------------+-----------+
  2. | recordId   | patientId  | direction |
  3. +------------+------------+-----------+
  4. | 1          | 51         | S         |
  5. | 3          | 48         | NE        |
  6. | 4          | 30         | W         |
  7. | 5          | 47         | S         |
  8. | 7          | 53         | N         |
  9. | 8          | 63         | SW        |
  10. | 10         | 31         | N         |
  11. +------------+------------+-----------+


自定义 Extractor 访问 OSS


当 OSS 中的数据格式比较复杂,内置的 Extractor 无法满足需求时,需要自定义 Extractor 来读取 OSS 文件中的数据。
例如有一个 txt 数据文件,并不是 CSV 格式,记录之间的列通过|分隔。比如/demo/SampleData/CustomTxt/AmbulanceData/vehicle.csv数据如下:
  1. 1|1|51|1|46.81006|-92.08174|9/14/2014 0:00|S
  2. 1|2|13|1|46.81006|-92.08174|9/14/2014 0:00|NE
  3. 1|3|48|1|46.81006|-92.08174|9/14/2014 0:00|NE
  4. 1|4|30|1|46.81006|-92.08174|9/14/2014 0:00|W
  5. 1|5|47|1|46.81006|-92.08174|9/14/2014 0:00|S
  6. 1|6|9|1|46.81006|-92.08174|9/14/2014 0:00|S
  7. 1|7|53|1|46.81006|-92.08174|9/14/2014 0:00|N
  8. 1|8|63|1|46.81006|-92.08174|9/14/2014 0:00|SW
  9. 1|9|4|1|46.81006|-92.08174|9/14/2014 0:00|NE
  10. 1|10|31|1|46.81006|-92.08174|9/14/2014 0:00|N


定义 Extractor


写一个通用的 Extractor,将分隔符作为参数传进来,可以处理所有类似格式的 text 文件。如下所示:
  1. /**
  2. * Text extractor that extract schematized records from formatted plain-text(csv, tsv etc.)
  3. **/
  4. public class TextExtractor extends Extractor {
  5.   private InputStreamSet inputs;
  6.   private String columnDelimiter;
  7.   private DataAttributes attributes;
  8.   private BufferedReader currentReader;
  9.   private boolean firstRead = true;
  10.   public TextExtractor() {
  11.     // default to ",", this can be overwritten if a specific delimiter is provided (via DataAttributes)
  12.     this.columnDelimiter = ",";
  13.   }
  14.   // no particular usage for execution context in this example
  15.   @Override
  16.   public void setup(ExecutionContext ctx, InputStreamSet inputs, DataAttributes attributes) {
  17.     this.inputs = inputs; //  inputs 是一个 InputStreamSet,每次调用 next() 返回一个 InputStream,这个 InputStream 可以读取一个 OSS 文件的所有内容。
  18.     this.attributes = attributes;
  19.     // check if "delimiter" attribute is supplied via SQL query
  20.     String columnDelimiter = this.attributes.getValueByKey("delimiter"); //delimiter 通过 DDL 语句传参。
  21.     if ( columnDelimiter != null)
  22.     {
  23.       this.columnDelimiter = columnDelimiter;
  24.     }
  25.     // note: more properties can be inited from attributes if needed
  26.   }
  27.   @Override
  28.   public Record extract() throws IOException {//extactor() 调用返回一条 Record,代表外部表中的一条记录。
  29.     String line = readNextLine();
  30.     if (line == null) {
  31.       return null; // 返回 NULL 来表示这个表中已经没有记录可读。
  32.     }
  33.     return textLineToRecord(line); // textLineToRecord 将一行数据按照 delimiter 分割为多个列。
  34.   }
  35.   @Override
  36.   public void close(){
  37.     // no-op
  38.   }
  39. }

textLineToRecord 将数据分割的完整实现请参见 此处

定义 StorageHandler


StorageHandler 作为 External Table 自定义逻辑的统一入口。
  1. package com.aliyun.odps.udf.example.text;
  2. public class TextStorageHandler extends OdpsStorageHandler {
  3.   @Override
  4.   public Class<? extends Extractor> getExtractorClass() {
  5.     return TextExtractor.class;
  6.   }
  7.   @Override
  8.   public Class<? extends Outputer> getOutputerClass() {
  9.     return TextOutputer.class;
  10.   }
  11. }


编译打包


将自定义代码编译打包,并上传到 MaxCompute。
  1. add jar odps-udf-example.jar;


创建 External 表


与使用内置 Extractor 相似,首先需要创建一张外部表,不同的是在指定外部表访问数据的时候,需要使用自定义的 StorageHandler。
创建外部表语句如下:
  1. CREATE EXTERNAL TABLE IF NOT EXISTS ambulance_data_txt_external
  2. (
  3. vehicleId int,
  4. recordId int,
  5. patientId int,
  6. calls int,
  7. locationLatitute double,
  8. locationLongtitue double,
  9. recordTime string,
  10. direction string
  11. )
  12. STORED BY 'com.aliyun.odps.udf.example.text.TextStorageHandler' --STORED BY 指定自定义 StorageHandler 的类名。
  13.   with SERDEPROPERTIES (
  14. 'delimiter'='\\|',  --SERDEPROPERITES 可以指定参数,这些参数会通过 DataAttributes 传递到 Extractor 代码中。
  15. 'odps.properties.rolearn'='acs:ram::xxxxxxxxxxxxx:role/aliyunodpsdefaultrole'
  16. )
  17. LOCATION 'oss://oss-cn-shanghai-internal.aliyuncs.com/oss-odps-test/Demo/SampleData/CustomTxt/AmbulanceData/'
  18. USING 'odps-udf-example.jar'; --同时需要指定类定义所在的 jar 包。


查询外部表


执行如下 SQL 语句:
  1. select recordId, patientId, direction from ambulance_data_txt_external where patientId > 25;


通过自定义 Extractor 读取非结构化数据


在前面我们看到了通过内置与自定义的 Extractor 可以轻松处理存储在 OSS 上的 CSV 等文本数据。接下来以语音数据(wav 格式文件)为例,为您介绍如何通过自定义的 Extractor 访问并处理 OSS 上的非文本文件。
这里从最终执行的 SQL 开始,介绍以 MaxCompute SQL 为入口,处理存放在 OSS 上的语音文件的使用方法:
  1. CREATE EXTERNAL TABLE IF NOT EXISTS speech_sentence_snr_external
  2. (
  3. sentence_snr double,
  4. id string
  5. )
  6. STORED BY 'com.aliyun.odps.udf.example.speech.SpeechStorageHandler'
  7. WITH SERDEPROPERTIES (
  8.     'mlfFileName'='sm_random_5_utterance.text.label' ,
  9.     'speechSampleRateInKHz' = '16'
  10. )
  11. LOCATION 'oss://oss-cn-shanghai-internal.aliyuncs.com/oss-odps-test/dev/SpeechSentenceTest/'
  12. USING 'odps-udf-example.jar,sm_random_5_utterance.text.label';

如上所示,同样需要创建外部表,然后通过外部表的 Schema 定义了希望通过外部表从语音文件中抽取出来的信息:

  • 一个语音文件中的语句信噪比(SNR):sentence_snr。

  • 对应语音文件的名字:id。

创建外部表后,通过标准的 Select 语句进行查询,则会触发 Extractor 运行计算。此处便可感受到,在读取处理 OSS数据时,除了可以对文本文件做简单的反序列化处理,还可以通过自定义 Extractor实现更复杂的数据处理抽取逻辑。比如:在这个例子中,我们通过自定义的com.aliyun.odps.udf.example.speech.SpeechStorageHandler 中封装的 Extractor, 实现了对语音文件计算平均有效语句信噪比的功能,并将抽取出来的结构化数据直接进行 SQL 运算(WHERE sentence_snr > 10),最终返回所有信噪比大于 10 的语音文件以及对应的信噪比值。
在 OSS 地址oss://oss-cn-hangzhou-zmf.aliyuncs.com/oss-odps-test/dev/SpeechSentenceTest/上,存储了原始的多个WAV 格式的语音文件,MaxCompute框架将读取该地址上的所有文件,并在必要的时候进行文件级别的分片,自动将文件分配给多个计算节点处理。每个计算节点上的 Extractor则负责处理通过 InputStreamSet分配给该节点的文件集。具体的处理逻辑则与用户单机程序相仿,您不需关心分布计算中的种种细节,按照类单机方式实现其用户算法即可。
定制化的SpeechSentenceSnrExtractor主体逻辑,说明如下:
首先在setup接口中读取参数,进行初始化,并且导入语音处理模型(通过 resource 引入):
  1. public SpeechSentenceSnrExtractor(){
  2.     this.utteranceLabels = new HashMap<String, UtteranceLabel>();
  3.   }
  4.   @Override
  5.   public void setup(ExecutionContext ctx, InputStreamSet inputs, DataAttributes attributes){
  6.     this.inputs = inputs;
  7.     this.attributes = attributes;
  8.     this.mlfFileName = this.attributes.getValueByKey(MLF_FILE_ATTRIBUTE_KEY);
  9.     String sampleRateInKHzStr = this.attributes.getValueByKey(SPEECH_SAMPLE_RATE_KEY);
  10.     this.sampleRateInKHz = Double.parseDouble(sampleRateInKHzStr);
  11.     try {
  12.       // read the speech model file from resource and load the model into memory
  13.       BufferedInputStream inputStream = ctx.readResourceFileAsStream(mlfFileName);
  14.       loadMlfLabelsFromResource(inputStream);
  15.       inputStream.close();
  16.     } catch (IOException e) {
  17.       throw new RuntimeException("reading model from mlf failed with exception " + e.getMessage());
  18.     }
  19.   }

Extractor() 接口中,实现了对语音文件的具体读取和处理逻辑,对读取的数据根据语音模型进行信噪比的计算,并且将结果填充成 [snr, id] 格式的 Record。
上述示例对实现进行了简化,同时也没有包括涉及语音处理的算法逻辑,具体实现请参见 MaxCompute SDK 在开源社区中提供的 样例代码
  1. @Override
  2.   public Record extract() throws IOException {
  3.     SourceInputStream inputStream = inputs.next();
  4.     if (inputStream == null){
  5.       return null;
  6.     }
  7.     // process one wav file to extract one output record [snr, id]
  8.     String fileName = inputStream.getFileName();
  9.     fileName = fileName.substring(fileName.lastIndexOf('/') + 1);
  10.     logger.info("Processing wav file " + fileName);
  11.     String id = fileName.substring(0, fileName.lastIndexOf('.'));
  12.     // read speech file into memory buffer
  13.     long fileSize = inputStream.getFileSize();
  14.     byte[] buffer = new byte[(int)fileSize];
  15.     int readSize = inputStream.readToEnd(buffer);
  16.     inputStream.close();
  17.     // compute the avg sentence snr
  18.     double snr = computeSnr(id, buffer, readSize);
  19.     // construct output record [snr, id]
  20.     Column[] outputColumns = this.attributes.getRecordColumns();
  21.     ArrayRecord record = new ArrayRecord(outputColumns);
  22.     record.setDouble(0, snr);
  23.     record.setString(1, id);
  24.     return record;
  25.   }
  26.   private void loadMlfLabelsFromResource(BufferedInputStream fileInputStream)
  27.           throws IOException {
  28.     //  skipped here
  29.   }
  30.   // compute the snr of the speech sentence, assuming the input buffer contains the entire content of a wav file
  31.   private double computeSnr(String id, byte[] buffer, int validBufferLen){
  32.     // computing the snr value for the wav file (supplied as byte buffer array), skipped here
  33.   }

执行查询,如下所示:
  1. set odps.task.major.version=2dot0_demo_flighting;
  2. set odps.sql.planner.mode=lot;
  3. set odps.sql.ddl.odps2=true;
  4. set odps.sql.preparse.odps2=lot;
  5. select sentence_snr, id
  6.     from speech_sentence_snr_external
  7. where sentence_snr > 10.0;

获得计算结果,如下所示:
  1. --------------------------------------------------------------
  2. | sentence_snr |                     id                      |
  3. --------------------------------------------------------------
  4. |   34.4703    |          J310209090013_H02_K03_042          |
  5. --------------------------------------------------------------
  6. |   31.3905    | tsh148_seg_2_3013_3_6_48_80bd359827e24dd7_0 |
  7. --------------------------------------------------------------
  8. |   35.4774    | tsh148_seg_3013_1_31_11_9d7c87aef9f3e559_0  |
  9. --------------------------------------------------------------
  10. |   16.0462    | tsh148_seg_3013_2_29_49_f4cb0990a6b4060c_0  |
  11. --------------------------------------------------------------
  12. |   14.5568    |   tsh_148_3013_5_13_47_3d5008d792408f81_0   |
  13. --------------------------------------------------------------

综上所述,通过自定义 Extractor,便可在 SQL 语句上分布式地处理多个 OSS 上的语音数据文件。同样的方法,也可以方便的利用 MaxCompute 的大规模计算能力,完成对图像,视频等各种类型非结构化数据的处理。

展开
收起
行者武松 2017-10-24 10:39:03 2893 0
0 条回答
写回答
取消 提交回答
问答排行榜
最热
最新

相关电子书

更多
大数据AI一体化的解读 立即下载
极氪大数据 Serverless 应用实践 立即下载
大数据&AI实战派 第2期 立即下载