[资料]

MaxCompute - ODPS重装上阵　第四弹 - CTE，VALUES，SEMIJOIN

2018-1-15 11:44:05 2328 数据库

0 摘要： MaxCompute（原ODPS）是阿里云自主研发的具有业界领先水平的分布式大数据处理平台, 尤其在集团内部得到广泛应用，支撑了多个BU的核心业务。 MaxCompute除了持续优化性能外，也致力于提升SQL语言的用户体验和表达能力，提高广大ODPS开发者的生产力。 MaxCompute（原ODPS）是阿里云自主研发的具有业界领先水平的分布式大数据处理平台, 尤其在集团内部得到广泛应用，支撑了多个BU的核心业务。 MaxCompute除了持续优化性能外，也致力于提升SQL语言的用户体验和表达能力，提高广大ODPS开发者的生产力。 MaxCompute基于ODPS2.0新一代的SQL引擎，显著提升了SQL语言编译过程的易用性与语言的表达能力。我们在此推出MaxCompute(ODPS2.0)重装上阵系列文章第一弹 - 善用MaxCompute编译器的错误和警告第二弹 - 新的基本数据类型与内建函数第三弹 - 复杂类型第四弹 - CTE，VALUES，SEMIJOIN 上次向您介绍了复杂类型，从本篇开始，向您介绍MaxCompute在SQL语言DML方面的改进场景1 _需要写一个复现的SQL，从多个表中读取数据，有些之间做Join，有些之间做Union，生成中间数据又要Join，最后需要输出多张表，最后写成了n层嵌套的子查询，自己都看不懂了。而且同样的查询，在不同的子查询中有重复。为了维护方便，把复杂的语句拆成多个语句，但是发现每个语句都需要单独提交，排队，并且要将中间结果写到本来不需要的临时表，在后面的语句中再读出来，慢了好多。。。场景2 正在开发新项目，需要给一个小数据表准备些基本数据，但是没有INSERT ... VALUES 语句，没办法把数据和创建表的DDL放在一起维护，只好另用一些脚本，调用ODPS命令行准备数据。。。场景3 想测试一个新写的UDF，只写SELECT myudf('123');会报错，还必须创建一个dual表，里面加一行数据，好麻烦。如果测试UDAF，还要在测试表里面准备多行数据，每次测试不同的输入都要修改表内容或者创建新表，如果有个办法不用创建表也能不同的数据组合测试我的UDF就好了。。。场景4 迁移一个原来在Oracle上面的ETL系统，发现用了 WHERE EXISTS( SELECT ...) 和 WHERE IN (SELECT ...) 这类的语句，可是发现ODPS在这方面支持不完整，还要手工将这些半连接的语句转换为普通JOIN，再过滤。。。 MaxCompute采用基于ODPS2.0的SQL引擎，对DML进行了大幅扩充，提高了易用性和兼容性，基本解决了上述问题。 Common Table Expression (CTE) MaxCompute支持SQL标准的CTE。能够提高SQL语句的可读性与执行效率。此文中采用MaxCompute Studio作展示，首先，安装MaxCompute Studio，导入测试MaxCompute项目，创建工程，建立一个新的MaxCompute脚本文件,　如下可以看到，顶层的union两侧各为一个join，join的左表是相同的查询。通过写子查询的方式，只能重复这段代码。使用CTE的方式重写以上语句可以看到，a对应的子查询只需要写一次，在后面重用，CTE的WITH字句中可以指定多个子查询，像使用变量一样在整个语句中反复重用。除了重用外，也不必再反复嵌套了。编译此脚本，可以观察执行计划如下其中M1, M2, M4三个分布式任务分别对应对应三个输入表，双击M2可以看到中具体执行的DAG（在DAG中再次双击可以返回），如下可以看到对src读后进行过滤的DAG。对src的读取与过滤在整个执行计划中只需要一次 ( 注1 )。 VALUES 创建一个新的文件，如下：执行后在，MaxCompute Project Explorer中可以找到新创建的表，并看到values中的数据已经插入到表中，如下：有的时候表的列很多，准备数据的时候希望只插入部分列的数据，此时可以用插入列表功能执行后，MaxCompute Project Explorer中找到目标表，并看到values中的数据已经插入，如下：对于在values中没有制定的列，可以看到取缺省值为NULL。插入列表功能不一定和VALUES一起用，对于INSERT INTO ... SELECT..., 同样可以使用。 INSERT... VALUES... 有一个限制，values必须是常量，但是有的时候希望在插入的数据中进行一些简单的运算，这个时候可以使用MaxCompute的VALUES TABLE功能，如下：其中的VALUES (...), (...) t (a, b), 相当于定义了一个名为t，列为a, b的表，类型为(a string, b string)，其中的类型从VALUES列表中推导。这样在不准备任何物理表的时候，可以模拟一个有任意数据的，多行的表，并进行任意运算。实际上，VALUES表并不限于在INSERT语句中使用，任何DML语句都可以使用。还有一种VALUES表的特殊形式 select abs(-1), length('abc'), getdate(); 也就是可以不写from语句，直接执行SELECT，只要SELECT的表达式列表不用任何上游表数据就可以。其底层实现为从一个1行，0列的匿名VALUES表选取。这样，在希望测试一些函数，比如自己的UDF等，就再也不用手工创建DUAL表了。 SEMI JOIN MaxCompute支持SEMI JOIN（半连接）。SEMI JOIN中，右表只用来过滤左表的数据而不出现在结果集中。支持的语法包括LEFT SEMI JOIN，LEFT ANti JOIN，(NOT) IN SUBQUERY，(NOT) EXISTS LEFT SEMI JOIN 返回左表中的数据，当join条件成立，也就是mytable1中某行的id在mytable2的所有id中出现过，此行就保留在结果集中例如: SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id; 只会返回mytable1中的数据，只要mytable1的id在mytable2的id中出现过 LEFT ANTI JOIN 返回左表中的数据，当join条件不成立，也就是mytable1中某行的id在mytable2的所有id中没有出现过，此行就保留在结果集中例如: SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id; 只会返回mytable1中的数据，只要mytable1的id在mytable2的id没有出现过 IN SUBQUERY/NOT IN SUBQUERY IN SUBQUERY与LEFT SEMI JOIN类似。例如: SELECT * from mytable1 where id in (select id from mytable2); 等效于 SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id; 原有ODPS也支持IN SUBQUERY，但是不支持correlated条件，MaxCompute支持例如: SELECT * from mytable1 where id in (select id from mytable2 where value = mytable1.value); 其中子查询中的where value = mytable1.value就是一个correlated条件，原有ODPS对于这种既引用了子查询中源表，由引用了外层查询源表的表达式时，会报告错误。MaxCompute支持这种用法，这样的过滤条件事实上构成了SEMI JOIN中的ON条件的一部分。对于NOT IN SUBQUERY，类似于LEFT ANTI JOIN，但是有一点显著不同例如: SELECT * from mytable1 where id not in (select id from mytable2); 如果mytable2中的所有id都不为NULL，则等效于 SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id; 但是，如果mytable2中有任何为NULL的列，则 not in表达式会为NULL，导致where条件不成立，无数据返回，此时与LEFT ANTI JOIN不同。原有ODPS也支持[NOT] IN SUBQUERY不作为JOIN条件，例如出现在非WHERE语句中，或者虽然在WHERE语句中，但无法转换为JOIN条件。MaxCompute仍然支持这种用法，但是此时因为无法转换为SEMI JOIN而必须实现启动一个单独的作业来运行SUBQUERY，所以不支持correlated条件。例如: SELECT * from mytable1 where id in (select id from mytable2) OR value > 0; 因为WHERE中包含了OR，导致无法转换为SEMI JOIN，会单独启动作业执行子查询另外在处理分区表的时候，也会有特殊处理 SELECT * from sales_detail where ds in (select dt from sales_date); 其中的ds如果是分区列，则select dt from sales_date 会单独启动作业执行子查询，而不会转化为SEMIJOIN，执行后的结果会逐个与ds比较，sales_detail中ds值不在返回结果中的分区不会读取，保证分区裁剪仍然有效。 EXISTS SUBQUERY/NOT EXISTS SUBQUERY 当SUBQUERY中有至少一行数据时候，返回TRUE，否则FALSE。NOT EXISTS的时候则相反。目前只支持含有correlated WHERE条件的子查询。EXISTS SUBQUERY/NOT EXISTS SUBQUERY实现的方式是转换为LEFT SEMI JOIN或者LEFT ANTI JOIN 例如: SELECT * from mytable1 where exists (select * from mytable2 where id = mytable1.id);` 等效于 SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id; 而 SELECT * from mytable1 where not exists (select * from mytable2 where id = mytable1.id);` 则等效于 SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id;其他改进 MaxCompute支持UNION [DISTINCT] - 其中DISTINCT为忽略 SELECT * FROM src1 UNION SELECT * FROM src2; 执行的效果相当于 SELECT DISTINCT * FROM (SELECT * FROM src1 UNION ALL SELECT * FROM src2) t;支持IMPLICIT JOINSELECT * FROM table1, table2 WHERE table1.id = table2.id; 执行的效果相当于 SELECT * FROM table1 JOIN table2 ON table1.id = table2.id; 此功能主要是方便从其他数据库系统迁移，对于信贷买，我们还是推荐您使用JOIN，明确表示意图支持新的SELECT语序在一个完整的查询语句中，例如 SELECT key, max(value) FROM src t WHERE value > 0 GROUP BY key HAVING sum(value) > 100 ORDER BY key LIMIT 100; 实际上的逻辑执行顺序是 FROM->WHERE->GROUY BY->HAVING->SELECT->ORDER BY->LIMIT，前一个是后一个的输入，与标准的书写语序实际并不相同。很多容易混淆的问题，都是由此引起的。例如order by中只能引用select列表中生成的列，而不是访问FROM的源表中的列。HAVING可以访问的是 group by key和聚合函数。SELECT的时候，如果有GROUP BY，就只能访问group key和聚合函数，而不是FROM中源表中的列。 MaxCompute支持以执行顺序书写查询语句，例如上面的语句可以写为 FROM src t WHERE value > 0 GROUP BY key HAVING sum(value) > 100 SELECT key, max(value) ORDER BY key LIMIT 100; 书写顺序和执行顺序一致，就不容易混淆了。这样有一个额外的好处，在MaxCompute Studio中写SQL语句的时候，会有智能提示的功能，如果是SELECT在前，书写select列表的表达式的时候，因为FROM还没有写，MaxCompute Studio没办法知道可能访问那些列，也就不能做提示。如下需要先写好FROM，再回头写SELECT列表，才能提示。如下如果使用上述以FROM起始的方式书写，则可以自然而然的根据上下文进行提示。如下支持顶层UNION ODPS1.0不支持顶层UNION。ODPS2.0可以支持，例如 SELECT * FROM src UNION ALL SELECT * FROM src;UNION后LIMIT的语义变化。大部分DBMS系统中，如MySQL，Hive等，UNION后如果有CLUSTER BY, DISTRIBUTE BY, SORT BY, ORDER BY或者LIMIT子句，其作用于与前面所有UNION的结果，而不是UNION的最后一路。ODPS2.0在set odps.sql.type.system.odps2=true;的时候，也采用此行为。例如: set odps.sql.type.system.odps2=true;SELECT explode(array(1, 3)) AS (a) UNION ALL SELECT explode(array(0, 2, 4)) AS (a) ORDER BY a LIMIT 3; 返回 a 0 1 2小节 MaxCompute大大扩充了DML语句的支持，在易用性，兼容性和性能方面，可以更好的满足您的需求。对于SQL比较熟悉的专家会发现，上述功能大部分是标准的SQL支持的功能。MaxCompute会持续提升与标准SQL和业界常用产品的兼容性。除此之外，针对MaxCompute用户的特点，也就是需要在非常复杂的业务场景下，支持对己大量数据的处理，MaxCompute提供了特有的脚本模式和参数化视图，将在下一次为您介绍。标注注1 是否合并或者分裂子查询，是由ODPS2.0的基于代价的优化器 (CBO)做出决定的，SQL本身的书写方式，不管是CTE还是子查询，并不能确保物理执行计划的合并或者分裂。 0
举报淘帖0 只看该作者相关推荐 • MaxCompute助力OSS支持EB级计算力 2668 • MaxCompute(ODPS)上处理非结构化数据的Best Practice 2662 • MaxCompute（原ODPS）事件(Event)机制 2367 • 阿里云大数据MaxCompute计算资源分布以及LogView分析优化 3148 • MaxCompute_2_MaxCompute数据迁移文档 3137 • 手把手，教你用MaxCompute+OpenSearch搭建分布式搜索引擎 4591 • MaxCompute访问TableStore(OTS) 数据 3100 • MaxCompute Console 实用小命令 4813 • 使用 MaxCompute（原ODPS） java sdk 运行安全相关命令 2438 • 阿里云大数据利器Maxcompute学习之-假如你使用过hive 2963