hadoop - 如何让 Hadoop 接受带有复合 WHERE 子句的 SAS 直通查询？

Question

我试图通过在内部(Hadoop 端)WHERE 子句中发送附加条件，将传递查询(即使用 PROC SQL，而不是 LIBNAME)的结果 SAS 数据集缩小到 Hadoop。

例如，有效的代码如下所示(dtpart 宏变量定义较早，以便向下选择到 HDFS 中的单个分区):

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="&uid" pw="&passwd" schema=default );
   create table work.creative_lkup as
   select 
      advertiser_id,
      creative_id,
      creative,
      rendering_id,
      creative_type, 
      input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
       `advertiser id` as advertiser_id,
       `creative id` as creative_id,
       creative,
       `rendering id` as rendering_id,
       `creative type` as creative_type
      from default.match_table_creatives 
      where date_partition = "&dtpart." 
   ) 
   WHERE advertiser_id = '12345';
disconnect from hadoop;
quit;

注意:如您所见，Hadoop 中的字段名称不是 SAS 标准的(因此名称周围的反引号包含空格)并且对于某些表，字段和表名称变得非常冗长。这使得简单地为我的 Hadoop 连接使用 LIBNAME 语句变得不切实际，因此我必须使用 CONNECT TO 在 PROC SQL 中使用传递查询。

我想做的是将传递内的“WHERE advertiser_id = '12345'”部分移动到 Hadoop。像这样:

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="&uid" pw="&passwd" schema=default );
   create table work.creative_lkup as
   select 
      advertiser_id,
      creative_id,
      creative,
      rendering_id,
      creative_type, 
      input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
       `advertiser id` as advertiser_id,
       `creative id` as creative_id,
       creative,
       `rendering id` as rendering_id,
       `creative type` as creative_type
      from default.match_table_creatives 
      where date_partition = "&dtpart." 
         and `advertiser id` = '12345'
   );
disconnect from hadoop;
quit;

不幸的是，当我执行此操作时，我从 Hadoop 返回到 SAS 得到了一个模糊的错误:

ERROR: Prepare error: Error while processing statement: FAILED: Execution Error, return code 1 from 
   org.apache.hadoop.hive.ql.exec.mr.MapRedTask

我的问题是:是否有任何设置、选项或其他项目可以包含在我的 PROC SQL 语句中以允许正确使用 WHERE 子句？

问题似乎只有在 WHERE 子句中有 AND 时才会出现。我已经阅读了一些关于 SPDE 的内容(ACCELWHERE= 选项听起来很有希望)，但我不知道如何在 PROC SQL 中使用这些选项，而且我在网上找到的引用资料似乎只指向在LIBNAME 语句。

谢谢。

Answer 1

看来问题是连接字符串中指定的用户(保存在 SAS 宏变量 &uid 中)在 Hadoop 中实际上并不存在。

宏变量 &uid 包含通用用户 ID 的名称(DEV 和 PROD 环境的名称不同 - 因此需要一个宏变量)。假设用户存在于 Hadoop 中，因为我能够使用此用户 ID 从 SAS 连接到 Hadoop 并通过简单查询检索记录。

显然，事实并非如此。

如果 Hadoop 环境中没有用户，HDFS 中就没有主文件夹。我们的 Hadoop 设置仍将处理“简单”查询(即，不对字段进行转换；只有 WHERE 条件可以针对分区字段；没有连接；等等)，因为不需要构建 MapReducer 任务来从底层获取数据HDFS 中的平面文件。只有当有额外的 WHERE 条件(即分区字段除外)时，才需要创建 MapReducer 任务。任务 - 以及任务所需的任何临时文件 - 在运行查询的用户的主文件夹中创建。由于此用户的主文件夹不存在，因此 MapReducer 对象会抛出错误(尽管没有在 Hive 中生成日志文件，因为没有地方可以生成日志文件，甚至没有创建此类文件的任务)。

它甚至允许在没有有效用户 ID 的情况下选择数据，这很愚蠢，但这是我们当前的设置。

因此，为了检验这一理论，我运行了以下代码(注意:我使用了我的用户名而不是宏变量)。

proc sql;
connect to hadoop (server="&srvid" port=10000 user="myuserid" pw="unnecessary" schema=default);
  create table work.creative_lkup2 as
  select 
     advertiser_id,
     creative_id,
     creative,
     rendering_id,
     creative_type, 
     input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
  from connection to hadoop (
select
      c.`advertiser id` as advertiser_id,
      c.`creative id` as creative_id,
      c.creative,
      c.`rendering id` as rendering_id,
      c.`creative type` as creative_type
from default.match_table_creatives c
where c.date_partition = "&dtpart." and c.`advertiser id` = "12345" 
   );
disconnect from hadoop;
quit;

这返回了大约。 80k 条记录(10 秒的 CPU 时间，但由于来自 AWS 的 IO，它花了将近 10 分钟)。

为了感谢所有查看此问题并做出回应的人，我想提供一个可能对您有所帮助的额外教训:

由于Hadoop中的字段都被定义为String，SAS不得不假设这些字段是可能的最长字符长度:32,767。因此，数据量(主要是空白)过多，导致传输速度缓慢。

我们想出的解决方法涉及使用 EXECUTE (...) AS HADOOP 语句来创建和填充一个临时表，该表在我们摄取它之前具有正确大小的 VARCHAR 字段(已经向下选择到我们想要的数据)进入 SAS。

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="myuserid" pw="doesnt_matter" schema=default);
   execute (
      create table if not exists default.test_lkup_cre (
               advertiser_id Varchar(10),
               creative_id Varchar(10),
               creative Varchar(200),
               rendering_id Varchar(10),
               creative_type Varchar(16)
   )
) by hadoop;
   execute (
      insert into table default.test_lkup_cre
         select
               c.`advertiser id` as advertiser_id,
               c.`creative id` as creative_id,
               c.creative,
               c.`rendering id` as rendering_id,
               c.`creative type` as creative_type
         from default.match_table_creatives c
         where c.date_partition = "&dtpart." and c.`advertiser id` = "12345"
) by hadoop;
   create table work.creative_lkup3 as
   select 
     advertiser_id,
     creative_id,
     creative,
     rendering_id,
     creative_type, 
     input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
        advertiser_id,
        creative_id,
        creative,
        rendering_id,
        creative_type
      from default.test_lkup_cre
   );
   disconnect from hadoop;
quit;

这在短短 46 秒内返回了相同的约 80k 条记录。

希望这也能帮助其他人。