HDFS_ParquetファイルをMaxComputeの外部テーブルとして処理する(外部テーブル・partitionつき)

作成日:2021/03/16この記事は最終更新日から1年以上が経過しています。

HDFS_ParquetファイルをMaxComputeの外部テーブルとして処理する(外部テーブル・partitionつき)

本記事では、HDFS_ParquetファイルをMaxComputeの外部テーブルとして処理する方法について説明します。

前書き

MaxCompute (旧プロダクト名 ODPS) は、大規模データウェアハウジングのためのフルマネージドかつマルチテナント形式のデータ処理プラットフォームです。さまざまなデータインポートソリューションと分散計算モデルにより、大規模データの効率的な照会、運用コストの削減、データセキュリティを実現します。

img

少し前になりますが、MaxComputeについての資料をSlideShareへアップロードしていますので、こちらも参考になればと思います。

https://www.slideshare.net/sbopsv/alibaba-cloud-maxcompute

今回はAlibaba Cloud MaxComputeでHDFS_Parquet(partition付き)を外部テーブルとして格納、SQL処理してみましょう。構成図で、こんな感じです。

img

今回は、別記事で紹介している、「LogServiceでTwitterデータを収集したあと、LogSeriviceからOSS LogShipperで生成されたParquetファイル」を使います。
LogServiceからOSSへLogShipper設定方法は以下の通り、コンソールを操作するだけです。

img

https://www.alibabacloud.com/cloud-tech/doc-detail/29002.htm

https://www.alibabacloud.com/cloud-tech/doc-detail/52798.htm

OSSフォルダはこのような感じになります。
partitionが「%Y/%m/%d/%H/%M」なので、 year、month、day、hourlyで区切りとなります。 img

https://www.alibabacloud.com/cloud-tech/doc-detail/29002.htm

img

前置きが長くなりましたが、この状態から、MaxComputeでOSSにあるParquetデータを外部テーブルとして処理します。

共通作業(MaxCompute全体で共通事項)

RAM ユーザー作成&権限付与

もしMaxComputeを操作するユーザがRAMユーザーの場合は以下を実施してください。

RAMより対象のユーザーを選定します。ユーザーが無い場合は新規作成します。 このときにAccessKey IDとAccessKey Secretをメモとして残してください。AccessKey IDとAccessKey SecretはDataWorks DataIntegrationの処理に必要となります。

img

対象のユーザーには権限ロールとしてAliyunDataWorksFullAccessをアタッチします。 これはDataWorksを操作するためのFull権限です。
DataWorks側にてユーザーごとに読み取り専用や一部プロジェクト・テーブルなどのきめ細かい権限付与ができますが、ここでは割愛します。

img

Workspace作成

MaxComputeを操作するためにはワークスペースおよびプロジェクトが必要なので新たに作成します。DataWorksコンソールから 「Create Project」を選択し、起動します。
Modeは「Basic Mode(基本モード)」「と「Standard Mode(標準モード)」の2種類があります。ここは「Basic Mode(基本モード)」として選定します。

img

続けて、MaxCompute を選定します。料金は初めて操作するなら Pay-As-You-Go(使った分だけ課金) が良いと思います。

img

MaxComputeに関する必要な情報を設定し、Workspaceを作成します。

img


STEP1:データ格納ことDataIntegration、、、はSkipします。

DataIntegrationは異種データソース間でデータを同期するプロセスです。しかし今回はOSSにあるCSVファイルを外部テーブルとして利用するため、この手順はSkipとなります。

DataWorks でまずは DataStdioへ遷移します。

img

DataStdio画面です。最初は何もない状態です。そこからプラレールのように色々構築することが出来ます。
img

STEP2:JSONファイルを認識し、MaxCompute Tableに格納

メニューバーからworkflowを作成します。

img

workflow名を入力し、「Create」ボタンで作成します。ここは「csv2maxcompute」というタイトルで登録します。

img

workflow画面が出たら、メニューバーにて、緑色の「Table」から「Create Table」でテーブルを新規作成します。
「csv2maxcompute」というワークフロー画面はタブより閉じても問題ありません。

img

External_oss_table_parquet という名前のテーブルを作成します。

img

こんな感じになります。そこから外部データと連携してテーブルを作成します。

img

まずはExternal Tableをクリックします。

img

MaxCompute/DataWorksとして、今操作しているNodeでOSSのデータ操作ができるよう、Nodeに対しRAM Role権限 AliyunODPSDefaultRole を付与します。

img

先ほどのDataStdio画面に戻って、今度はフォルダパスを選定します。
OSSのパスで対象のParquetファイルのあるフォルダで、partitionが見える段階まで深掘りでクリックします。選定できたらOKを押します。
今回はこのパスoss://oss-ap-northeast-1-internal.aliyuncs.com/realtime-analytics-test-ohara/hdfs/parquet/ に設定しています。

img

RAMロールからAliyunODPSDefaultRoleのARNをコピーし、rolearnにペーストします。

img

File FormatをPARQUETに選定します。

img

今回はpartitionファイルなので、Partitioned Table をクリックします。すると、Partition Field Name一覧が表示されます。

img

今回、LogServiceのOSS Shipperとしてpartitionの構成を %Y/%m/%d/%H/%M として入力しているので、以下の構成でpartitionを設定します。

img

フィールド名を入力します。 今回は以下の構成でOSSへ格納しているので、これをベースにフィールドを作成します。

img

parquetでフィールド構成が不明な場合は、ParquetViewerを使って確認すると良いです。インストール不要です。

https://github.com/mukunku/ParquetViewer/releases

img

上にある[ DDL Statement] からSQLでフィールドを作ります。下段にある[Create Field]などのボタンで手動でフィールド作成もできます。

CREATE TABLE IF NOT EXISTS External_oss_table_parquet(
logservice_source String,
logservice_topic String,
logservice_time String,
created_at String,
created_at_utc String,
id_str String,
Web String,
Android String,
iPhone String,
text String,
source String,
tweet_size String
)

フィールド名も見れるようになりました。最後に「Time-to-Live(TTL)」のチェックを外し、Display名を入力します。今回は「links_display」と入れます。
これで設定は完了です。 [Commit to Production Environment] をクリックし、実行します。

img

Talbeを本番環境にコミットしますか?と警告メッセージがでます。ここはOKを押します。

img

STEP3:partition認識

これで無事コミットが完了したら、今度はSQLで操作、確認します。今回はAd Hoc Queryを使います。
メニューバーでAd Hoc Query →新規作成 → ODPS SQL を選定します。

img

Node Nameは「check_parquet」、Locationは「Ad-Hoc Query」で、Ad-Hoc Query画面を開きます。

img

先ほど作成したexternal_oss_table_parquetテーブルは現在partitionが無い状態だとおもうので、partitionを識別する前にテーブルプロパティで情報を確認します。

img

現在、PartitionsはNo Data、何もない状態ということがわかります。
この状態からAd-Hoc Queryを使ってPartitionを識別します。

MSCK REPAIR TABLE external_oss_table_parquet;

その結果、Log側でもpartitionが認識されています。テーブルプロパティ側でも認識することが出来たらOKです。

img

STEP4:完了

あとはpartitionを指定しながらSQLクエリを回すだけです。

img


参考

Partition で次のようなケース sale_date=20200921/region=Japan の場合、以下の通りに設定することができます。
img

DataStdio でpartitionは以下設定し、コミットします。
img

上記と同様、partitionを認識するSQLクエリ MSCK REPAIR TABLE ~; を実行することで、テーブルプロパティでもpartitionが認識されます。

img

あとはSQLクエリでpartitionを認識しながら実行することで、テーブルが表示されます。
img


最後に

本記事では、OSSにあるHDFS_Parquetファイル(partition付き)をMaxCompute EXTERNAL Table(外部テーブル)として格納する方法を簡単に説明しました。
LogServiceでデータ収集後、LogShipperでOSSへpartition付きデータとして出力されるので、これをうまく連携できれば誰でもDWHが簡単に構築できます。

最後までお読みいただきありがとうございました。

参考:

Partition samples

https://www.alibabacloud.com/cloud-tech/doc-detail/27898.html

Partition and column operations

https://www.alibabacloud.com/cloud-tech/doc-detail/73771.html

Hironobu Ohara
この記事を書いた人
Hironobu Ohara
Github Icon
2019年にAlibaba Cloudを担当。Databaseや収集、分散処理、ETL、検索、分析、機械学習基盤の構築、運用等を経て、現在分散系をメインとしたビッグデータとデータベースを得意・専門とするデータエンジニア。 AlibabaCloud MVP。
Close

Alibaba Cloudを始めてみましょう

ソフトバンクは、Alibaba Cloudのアカウント開設から、サービス展開までをお手伝いします。
Hatena
このページは参考になりましたか?