IT系统运维-MaxCompute简介

| 2020-05-01 19:50:33    标签:

MaxCompute是什么?

近几年,大数据云计算等词充斥在各大技术社区,今天给大家讲讲大数据计算MaxCompute供广大IT系统运维参考。MaxCompute(原ODPS,Open Data Processing Service)是一项大数据计算服务,它能提供快速、完全托管的PB级数据仓库解决方案。主要提供了四大功能:数据通道、结构化存储、多计算模型、数据安全运维

                                             

1.数据通道

· 批量/历史数据通道--tunnel

适合于全量数据或历史数据的导入、导出;

· 实时/增量数据通道--DataHub

该服务具有延迟低的特点,适合增量数据的导入,同时还支持多种数据传输的插件,如logstash、flume、fluentd、sqoop、logservice等。

2.数据存储

· 数据进入maxcompute后,默认会以结构化的方式存储,且有自己的数据类型,如Bigint, Boolean, Double, Datetime, String, Decimal;

· 数据上传后,以列压缩的方式存储到盘古上。这种压缩方式的好处就是对于文本类型的数据,一般都能取得较好的压缩比,一般是4:1。

3.多计算模型

1)SQL

· MaxCompute SQL采用标准的SQL语法,兼容部分Hive语法。在语法上和HQL非常接近,熟悉SQL或HQL的编程人员都容易上手;

· MaxCompute提供更高效的计算框架支持SQL计算模型,执行效率比普通的MapReduce模型更高;

· 需要注意的是,MaxCompute SQL不支持事务、索引及Update/Delete等操作。

2)MapReduce

· MaxCompute提供的Java MapReduce编程模型;

· 由于MaxCompute并没有开放文件接口,用户只能通过它所提供的Table读写数据;

· 更为重要的是,MaxCompute还提供了基于MapReduce的扩展计算模型, 即MR2。在该模型下,一个Map函数后,可以接入连续多个Reduce函数。

3)Graph

· 对于某些复杂的迭代计算场景,例如:K-Means,PageRank等,如果仍然使用MapReduce来完成这些计算任务将是非常耗时的。MaxCompute提供的Graph模型能够非常好的完成这一类计算任务。

 

MaxCompute优化原则

1.选表原则

· 选择满足需求的小表,比如汇总表。维表尽量选择全量表,事实表尽量选择增量表;

· 选择产出早的表;

· 选择可回滚的表,比如使用加购事件表代替加购全流程表;

· 依赖的N个上游表,尽量保证上游产出时间要均匀,如果有差异,考虑换依赖表;

2.小表原则

· 行数小于100万的表认为是小表,这个时候使用mapjoin性能会提高很多;

· 读取数据的时候要加上分区等过滤条件,大表变小表。常用过滤条件字段,做成动态分区,方便下游过滤;

· 不得不读取N天大表的时候,使用unionall方式合并多天数据;

3.代码原则

· Join关联要尽可能是主键关联。关联字段类型要一致;

· 多天汇总,先生成1天轻度汇总表,多天使用1天数据再汇总;

· multiinsert,实现一次读取多次写入;

· 使用系统UDF代替自己的写的UDF;

4.调度原则

· 依赖max_pt的,要排除当天依赖;

· 上游是小时任务,使用max_pt要慎重;

· 执行超过1个小时任务要关注;


MaxCompute应用限制

1.SQL限制

· 多路输出限制:单个SQL里最多可以写128路输出,超过128路报语法错误;

· 动态输出分区限制:任意动态分区SQL不允许生成超过2000个动态分区,否则引发运行时异常;

· Select屏显限制:Select屏显结果最多只有10000条输出;

· Order by语句后必须接Limit;

· Sort By必须与Distribute By配合使用;

· 最多允许128路union all,超过此限制报语法错误;

· MaxCompute 的JOIN支持多路间接,但不支持笛卡尔积,即无on条件的链接;

· MaxCompute中的Join连接条件,只允许and连接的等值条件,并且最多支持16路join操作。只有在MAPJOIN中,可以使用不等值连接或者使用or连接多个条件;

· 目前MaxCompute 在mapjoin中最多支持指定6张小表,否则报语法错误;

· 如果使用mapjoin,则所有小表占用的内存总和不得超过512MB。请注意由于MaxCompute 是压缩存储,因此小表在被加载到内存后,数据大小会急剧膨胀。此处的512MB限制是加载到内存后的空间大小;

· 多个表join时,最左边的两个表不能同时是mapjoin的表;

2.MapReduce限制

· 单个任务引用的资源数量不超过512个,分区表按照一个单位计算。

· 单个任务引用的资源总计字节数大小不超过64MB。

· 单个任务的输入路数不能超过128,单个任务的输出路数不能超过128路。

· 单个任务中自定义Counter的数量不能超过64。

· 单个Map或Reduce Worker占用memory默认为2048MB,范围[256MB, 12GB]。

· 单个Map或Reduce Worker重复读一个资源次数限制 <=64次。

· 本地运行模式下,Map Worker个数不能超过100;Reduce Worker个数不能超过100;默认一路输入下载记录数100。

 

以上内容由北京艾锑无限科技发展有限公司整理