gpt4 book ai didi

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

转载 作者:可可西里 更新时间:2023-11-01 16:39:04 25 4
gpt4 key购买 nike

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。

最佳答案

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。

关于hadoop - 如何让 Hadoop 接受带有复合 WHERE 子句的 SAS 直通查询?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45469839/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com