MaxCompute 数据计算入门

阿里云的MaxCompute是大数据存储和分析平台。使用DataHub、SLS可以将海量数据轻松同步到MaxCompute，然后使用SQL查询、UDF和Map Reduce进行数据处理、分析和挖掘。这里我从一个初识平台的用户角度，讲解一下如何快速上手该平台以及如果使用最新的Java9可能遇到的问题。

1、开通MaxCompute服务

前两步（“实名认证“和”创建AccessKey“）搞定以后，接下来是MaxCompute相关配置。

1）选择region及服务

开始使用该服务时，建议选择“按量付费”，随着数据量增大，再将套餐换为包年包月。

2）创建项目

注意“项目名称”在阿里云里面是全局唯一的，所以项目名称不能跟其他人的项目重复。

2、使用表查询功能

项目创建好了以后，我们首先试用一下SQL查询功能。

1）创建数据表

SQL查询是基于table的，首先创建一个company表。在“数据开发”->“表查询”面板中，点击“+”按钮即可打开一个SQL编辑页面。输入下面的语句创建一个空的ODPS表。

create table if not exists company (name string, industry string);

2）插入数据

可以选择使用insert插入数据，这里我们选择更简洁的方法，即将本地的数据导入ODPS表中。点击“导入”按钮，选择“导入本地数据“。选择正确的“分隔符号”和“原始字符集”，就可以看到正确的数据预览结果（本文中使用的数据从互联网收集，仅作参考）。

几千条数据的导入速度很快，导入结束以后即可在company表的“数据预览”查看到相关记录了。

3）Dataworks中进行数据查询

在SQL编辑面板中输入下面SQL语句，

SELECT * FROM company WHERE name = '万绿生态园林股份有限公司';

点击“成本预估”可以看到详细的成本预估结果。直接点击“运行”，弹出框中也可以看到预估的费用。

因为MaxCompute运行数据查询需要Job排队运行，所以数据量很小的查询仍然需要几秒钟才能看到结果。

在Job执行过程中，可以看到日志。点击下图中的“Log view”可以看到更详细的Job执行情况。

4）Studio中进行数据查询

Studio的配置详见官方介绍。

数据查询的执行结果如下图所示，点击“日志”中的“Click Here To See Detail”，即可看到详细的Job执行情况。由于在Studio中查看Job运行情况更为直观，而且Studio中的script文件还可以加入到git中进行版本管理，建议尽量使用Studio进行数据查询。

5）CLT中进行数据查询

CLT的配置请参照官方文档。在CLT中进行系统配置和基本的建表、赋权等操作非常方便。不过，如果使用Java9等更高的Java版本，在提交Job的时候经常会收到ODPSConsoleException的错误信息，不过此时Job已经提交成功，可以通过Job view来查看Job运行情况和运算结果。

3、使用UDF功能

1）配置

在Studio中开发UDF是十分方便的。使用UDF开发请参照阿里云官方文档。如果使用Java9，那么除了官方文档中对于Maven的修改以外，还需要加入以下Maven依赖，整个工程才能运行： 

<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>1.7.5</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.5</version>
</dependency>
<dependency>
<groupId>javax.xml.bind</groupId>
<artifactId>jaxb-api</artifactId>
<version>2.2.11</version>
</dependency>
<dependency>
<groupId>com.sun.xml.bind</groupId>
<artifactId>jaxb-core</artifactId>
<version>2.2.11</version>
</dependency>
<dependency>
<groupId>com.sun.xml.bind</groupId>
<artifactId>jaxb-impl</artifactId>
<version>2.2.11</version>
</dependency>

配置好了以后，就可以写一个简单的UDF函数了，demo是取公司名称的前两个中文字符粗略作为这个公司的归属地。程序写好以后，可以先在本地运行一下，测试通过后再部署到MaxCompute服务器。

2）本地运行

1、按照warehouse中的样本数据，创建company样本数据作为函数的输入。注意样本数据中，schema和data中的列和列之间的分隔符都必须是逗号“,”。

2、右键点击类文件，选择 run “CityExtractUDF.main()”，在弹出框中选择刚刚创建的MaxCompute table和Table columns，点击“OK”。运行结果如下图所示，

3）MaxCompute服务器运行

本地运行成功以后，就可以把UDF提交到maxCompute server在线运行了。提交方法非常简单，右键点击该class文件，选择“Deploy to server…”，然后给UDF起一个响当当的名字就可以了。顺利的话很快就可以上传成功，在Studio中刷新meta data可以看到该function。接下来提交一个简单的job试运行一下，

由于UDF函数已经在Server端，我们也可以在DataWorks和CLT中直接调用该函数。在CLT中使用list functions命令可以看到刚刚定义的函数，但是在DataWorks中的“函数管理”无法看见。

4、使用Map Reduce功能

使用MaxCompute的MR功能是非常容易的，首先可以参照examples中的word count例子，写一个自己的MR程序，我的MR程序要完成的任务是计算每个省企业的个数。

1）本地运行

要本地执行该程序，同样需要在warehouse中创建MR程序的输入输出，比如下图中的company和company_count_out。程序执行结果如下：

2）MaxCompute服务器运行

1、 部署Jar包到MaxCompute服务端。在DataWorks选择“资源管理”，点击“资源上传”，选择Jar包完成上传。

2、执行ODPS_MR任务。在DataWorks上面点击“新建任务”，在弹出框中选择任务类型为“ODPS_MR”。填写相关信息后提交并运行刚刚写的MR Job，等Job执行结束，通过“数据预览”功能，可以在company_count_out表看到输出。