Hadoop生态外表联邦分析 - 云原生数仓 AnalyticDB PostgreSQL

云原生数据仓库 AnalyticDB PostgreSQL （简称 ADB PG）支持访问 Hadoop 生态的外部数据源。

说明

本特性只支持存储弹性模式实例，且需要ADB PG实例和目标访问的外部数据源处于同一个VPC网络。
2020年9月6日前申请的存量存储弹性模式实例，由于网络架构不同，无法与外部 Hadoop 生态的数据源网络打通，无法使用该特性。如需使用，请联系后台技术人员，重新申请实例，迁移数据。

前提条件：配置SERVER端

由于不同用户的配置需求不尽相同，如果您需要访问 Hadoop 生态的外部数据源进行联邦分析，请提交工单由ADB PG后台技术人员进行配置。以下为提交工单时需要提交的对应文件。


连接对象	提交工单内容
Hadoop(HDFS, HIVE, HBase)	core-site.xml 、hdfs-site.xml 、mapred-site.xml 、yarn-site.xml、hive-site.xml 说明 Kerberos认证时还需提供 keytab、krb5.conf等配置文件

基本语法

创建扩展

CREATE extension pxf;

创建外表

CREATE EXTERNAL TABLE <table_name>
        ( <column_name> <data_type> [, ...] | LIKE <other_table> )
LOCATION('pxf://<path-to-data>?PROFILE[&<custom-option>=<value>[...]]&[SERVER=value]')
FORMAT '[TEXT|CSV|CUSTOM]' (<formatting-properties>);

创建 EXTERNAL TABLE 语法请参见CREATE EXTERNAL TABLE。


参数	说明
path-to-data	外表访问的目录，文件名，表名例如 //data/pxf_examples/pxf_hdfs_simple.txt
PROFILE [&<custom-option>=<value>[...]]	PXF访问外部数据的配置。支持格式包括：Jdbc \| hdfs:text \| hdfs:text:multi \| hdfs:avro \| hdfs:json \| hdfs:parquet \| hdfs:AvroSequenceFile \| hdfs:SequenceFile \| HiveText \| HiveRC \| HiveORC \| HiveVectorizedORC \| HBase
FORMAT '[TEXT\|CSV\|CUSTOM]'	读取数据的格式。取值范围：
formatting-properties	与特定文件数据对应的格式化选项： formatter 或者 delimiter（分割符）与CUSTOM搭配 formatter='pxfwritable_import' formatter='pxfwritable_export' 与TEXT\|CSV搭配 delimiter=E'\t' delimiter ':' 说明 escape 时需要加上 E
SERVER	配置服务端文件的位置，该部分由后台技术人员操作后反馈给用户。 postgresql hdp3

访问HDFS数据

支持格式：


数据格式	PROFILE
text	hdfs:text
csv	hdfs:text:multi 、hdfs:text
Avro	hdfs:avro
JSON	hdfs:json
Parquet	hdfs:parquet
AvroSequenceFile	hdfs:AvroSequenceFile
SequenceFile	hdfs:SequenceFile

FORMAT与 formatting-properties请参见创建外表部分。

示例 HDFS访问文件

HDFS构建测试数据文件 pxf_hdfs_simple.txt。

echo 'Prague,Jan,101,4875.33
Rome,Mar,87,1557.39
Bangalore,May,317,8936.99
Beijing,Jul,411,11600.67' > /tmp/pxf_hdfs_simple.txt

# 构建目录
hdfs dfs -mkdir -p /data/pxf_examples
# 推文件至hdfs
hdfs dfs -put /tmp/pxf_hdfs_simple.txt /data/pxf_examples/

# 查看文件
hdfs dfs -cat /data/pxf_examples/pxf_hdfs_simple.txt

ADB PG实例创建外表并访问

postgres=# CREATE EXTERNAL TABLE pxf_hdfs_textsimple(location text, month text, num_orders int, total_sales float8)
            LOCATION ('pxf://data/pxf_examples/pxf_hdfs_simple.txt?PROFILE=hdfs:text&SERVER=hdp3')
          FORMAT 'TEXT' (delimiter=E',');

postgres=# select * from pxf_hdfs_textsimple;
 location  | month | num_orders |    total_sales
-----------+-------+------------+--------------------
 Prague    | Jan   |        101 | 4875.3299999999999
 Rome      | Mar   |         87 | 1557.3900000000001
 Bangalore | May   |        317 | 8936.9899999999998
 Beijing   | Jul   |        411 |           11600.67
(4 rows)

LOCATION各字段含义说明：

pxf:// ：pxf 协议，固定值。
data/pxf_examples/pxf_hdfs_simple.txt：代表HDFS中的 pxf_hdfs_simple.txt 文件。
PROFILE=hdfs:text: 代表使用 PROFILE=hdfs:text 访问HDFS。
SERVER=hdp3：后台技术人员会提供该选项。代表使用PXF_SERVER/hdp3/下的配置文件来支持PXF访问 HDFS。
FORMAT 'TEXT' (delimiter=E',') ：外部数据源格式配置项，代表以,分割符，格式为TEXT。

详细字段说明请参见基本语法。

示例向HDFS写入(TEXT,CSV)

前提条件：在HDFS上构建数据目录/data/pxf_examples/pxfwritable_hdfs_textsimple1。

hdfs dfs -mkdir -p /data/pxf_examples/pxfwritable_hdfs_textsimple1

说明在ADB PG执行insert的用户需要有HDFS该目录的写入权限。

ADB PG实例上创建可写外表。

CREATE WRITABLE EXTERNAL TABLE pxf_hdfs_writabletbl_1(location text, month text, num_orders int, total_sales float8)
            LOCATION ('pxf://data/pxf_examples/pxfwritable_hdfs_textsimple1?PROFILE=hdfs:text&SERVER=hdp3')
          FORMAT 'TEXT' (delimiter=',');
          
INSERT INTO pxf_hdfs_writabletbl_1 VALUES ( 'Frankfurt', 'Mar', 777, 3956.98 );
INSERT INTO pxf_hdfs_writabletbl_1 VALUES ( 'Cleveland', 'Oct', 3812, 96645.37 );

HDFS查看。

#查看文件
hdfs dfs -ls /data/pxf_examples/pxfwritable_hdfs_textsimple1

#查看数据
hdfs dfs -cat /data/pxf_examples/pxfwritable_hdfs_textsimple1/*
Frankfurt,Mar,777,3956.98
Cleveland,Oct,3812,96645.37

访问Hive数据


数据格式	PROFILE
TextFile	Hive, HiveText
SequenceFile	Hive
RCFile	Hive, HiveRC
ORC	Hive, HiveORC, HiveVectorizedORC
Parquet	Hive

FORMAT与 <formatting-properties>请参见创建外表部分。

示例 Hive

产生数据。

echo 'Prague,Jan,101,4875.33
Rome,Mar,87,1557.39
Bangalore,May,317,8936.99
Beijing,Jul,411,11600.67
San Francisco,Sept,156,6846.34
Paris,Nov,159,7134.56
San Francisco,Jan,113,5397.89
Prague,Dec,333,9894.77
Bangalore,Jul,271,8320.55
Beijing,Dec,100,4248.41' > /tmp/pxf_hive_datafile.txt

Hive 创建table。

hive> CREATE TABLE sales_info (location string, month string,
        number_of_orders int, total_sales double)
        ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
        STORED AS textfile;

hive> LOAD DATA LOCAL INPATH '/tmp/pxf_hive_datafile.txt'
        INTO TABLE sales_info;
hive> SELECT * FROM sales_info;

ADB PG实例访问数据

postgres=# create extension pxf;

postgres=# CREATE EXTERNAL TABLE salesinfo_hiveprofile(location text, month text, num_orders int, total_sales float8)
LOCATION ('pxf://default.sales_info?PROFILE=Hive&SERVER=hdp3')
FORMAT 'custom' (formatter='pxfwritable_import');

postgres=# SELECT * FROM salesinfo_hiveprofile;
   location    | month | num_orders | total_sales
---------------+-------+------------+-------------
 Prague        | Jan   |        101 |     4875.33
 Rome          | Mar   |         87 |     1557.39
 Bangalore     | May   |        317 |     8936.99
 Beijing       | Jul   |        411 |    11600.67
 San Francisco | Sept  |        156 |     6846.34
 Paris         | Nov   |        159 |     7134.56
......

LOCATION各字段含义说明：

pxf://：pxf 协议，固定值。
default.sales_info：代表 Hive中default数据库下的 sales_info 表。
PROFILE=Hive：代表使用PROFILE=Hive 访问 Hive。
SERVER=hdp3：后台技术人员会提供该选项,代表使用PXF_SERVER/hdp3/下的配置文件来支持PXF访问 Hive。
FORMAT 'custom' (formatter='pxfwritable_import')：外部数据源格式配置项，读取Hive中sales_info表时采用 custom ，并与 formatter='pxfwritable_import' 搭配。

详细字段说明请参见基本语法。

示例 HiveText

postgres=# CREATE EXTERNAL TABLE salesinfo_hivetextprofile(location text, month text, num_orders int, total_sales float8)
             LOCATION ('pxf://default.sales_info?PROFILE=HiveText&SERVER=hdp3')
           FORMAT 'TEXT' (delimiter=E',');
postgres=# select * from salesinfo_hivetextprofile;
   location    | month | num_orders | total_sales
---------------+-------+------------+-------------
 Prague        | Jan   |        101 |     4875.33
 Rome          | Mar   |         87 |     1557.39
 Bangalore     | May   |        317 |     8936.99
 ......

示例 HiveRC

Hive创建table。

hive> CREATE TABLE sales_info_rcfile (location string, month string,
             number_of_orders int, total_sales double)
           ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
           STORED AS rcfile;
OK
##导入数据
hive> INSERT INTO TABLE sales_info_rcfile SELECT * FROM sales_info;
##查看
hive> SELECT * FROM sales_info_rcfile;

ADB PG 实例访问数据。

postgres=# CREATE EXTERNAL TABLE salesinfo_hivercprofile(location text, month text, num_orders int, total_sales float8)
             LOCATION ('pxf://default.sales_info_rcfile?PROFILE=HiveRC&SERVER=hdp3')
           FORMAT 'TEXT' (delimiter=E',');
postgres=# SELECT location, total_sales FROM salesinfo_hivercprofile;
   location    | total_sales
---------------+-------------
 Prague        |     4875.33
 Rome          |     1557.39
 Bangalore     |     8936.99
 ......

示例 HiveORC

ORC可以有两种配置 HiveORC 和 HiveVectorizedORC 。

一次读取一行数据。
支持列投影。
支持复杂类型, 可以访问由数组、映射、结构和联合数据类型组成的Hive表。

Hive创建table。

hive> CREATE TABLE sales_info_ORC (location string, month string,
        number_of_orders int, total_sales double)
      STORED AS ORC;
hive> INSERT INTO TABLE sales_info_ORC SELECT * FROM sales_info;
hive> SELECT * FROM sales_info_ORC;

ADB PG 实例访问数据。

postgres=# CREATE EXTERNAL TABLE salesinfo_hiveORCprofile(location text, month text, num_orders int, total_sales float8)
             LOCATION ('pxf://default.sales_info_ORC?PROFILE=HiveORC&SERVER=hdp3')
             FORMAT 'CUSTOM' (FORMATTER='pxfwritable_import');
             
postgres=# SELECT * FROM salesinfo_hiveORCprofile;
......
 Prague        | Dec   |        333 |     9894.77
 Bangalore     | Jul   |        271 |     8320.55
 Beijing       | Dec   |        100 |     4248.41
(60 rows)
Time: 420.920 ms

示例 HiveVectorizedORC

一次最多读取1024行数据。
不支持列投影。
不支持复杂类型或时间戳数据类型。

ADB PG 实例访问数据

CREATE EXTERNAL TABLE salesinfo_hiveVectORC(location text, month text, num_orders int, total_sales float8)
             LOCATION ('pxf://default.sales_info_ORC?PROFILE=HiveVectorizedORC&SERVER=hdp3')
             FORMAT 'CUSTOM' (FORMATTER='pxfwritable_import');
             
select * from salesinfo_hiveVectORC;
   location    | month | num_orders | total_sales
---------------+-------+------------+-------------
 Prague        | Jan   |        101 |     4875.33
 Rome          | Mar   |         87 |     1557.39
 Bangalore     | May   |        317 |     8936.99
 Beijing       | Jul   |        411 |    11600.67
 San Francisco | Sept  |        156 |     6846.34
 ......

示例 Parquet

Hive创建table。

hive> CREATE TABLE hive_parquet_table (location string, month string,
            number_of_orders int, total_sales double)
        STORED AS parquet;
        
INSERT INTO TABLE hive_parquet_table SELECT * FROM sales_info;

select * from hive_parquet_table;

ADB PG 实例访问数据。

postgres=# CREATE EXTERNAL TABLE pxf_parquet_table (location text, month text, number_of_orders int, total_sales double precision)
    LOCATION ('pxf://default.hive_parquet_table?profile=Hive&SERVER=hdp3')
    FORMAT 'CUSTOM' (FORMATTER='pxfwritable_import');
postgres=# SELECT month, number_of_orders FROM pxf_parquet_table;
 month | number_of_orders
-------+------------------
 Jan   |              101
 Mar   |               87
 May   |              317
 Jul   |              411
 Sept  |              156
 Nov   |              159
 ......