Python SDK示例：Table

通过调用入口对象的list_tables()方法可以列出项目空间下的所有表。

for table in odps.list_tables():
    # 处理每张表。

通过调用入口对象的exist_table()方法判断表是否存在；通过调用get_table()方法获取表。

t = odps.get_table('table_name')
t.schema
odps.Schema {
  c_int_a                 bigint
  c_int_b                 bigint
  c_double_a              double
  c_double_b              double
  c_string_a              string
  c_string_b              string
  c_bool_a                boolean
  c_bool_b                boolean
  c_datetime_a            datetime
  c_datetime_b            datetime
}
t.lifecycle
-1
print(t.creation_time)
2014-05-15 14:58:43
t.is_virtual_view
False
t.size
1408
t.schema.columns
[<column c_int_a, type bigint>,
 <column c_int_b, type bigint>,
 <column c_double_a, type double>,
 <column c_double_b, type double>,
 <column c_string_a, type string>,
 <column c_string_b, type string>,
 <column c_bool_a, type boolean>,
 <column c_bool_b, type boolean>,
 <column c_datetime_a, type datetime>,
 <column c_datetime_b, type datetime>]            

初始化方法有如下两种：

• 通过表的列以及可选的分区进行初始化。

  from odps.models import Schema, Column, Partition
  columns = [
      Column(name='num', type='bigint', comment='the column'),
      Column(name='num2', type='double', comment='the column2'),
  ]
  partitions = [Partition(name='pt', type='string', comment='the partition')]
  schema = Schema(columns=columns, partitions=partitions)

  初始化后，您可获取字段信息、分区信息等。

  • 获取所有字段信息。

    print(schema.columns)

    返回示例如下。

    [<column num, type bigint>,
     <column num2, type double>,
     <partition pt, type string>]

  • 获取分区字段。

    print(schema.partitions)

    返回示例如下。

    [<partition pt, type string>]

  • 获取非分区字段名称。

    print(schema.names)

    返回示例如下。

    ['num', 'num2']

  • 获取非分区字段类型。

    print(schema.types)

    返回示例如下。

    [bigint, double]

• 使用Schema.from_lists()方法。该方法更容易调用，但无法直接设置列和分区的注释。

  from odps.models import Schema
  schema = Schema.from_lists(['num', 'num2'], ['bigint', 'double'], ['pt'], ['string'])
  print(schema.columns)

  返回值示例如下。

  [<column num, type bigint>,
   <column num2, type double>,
   <partition pt, type string>]

使用表Schema创建表时，您需要先创建表的Schema，然后通过Schema创建表。

#创建表的schema
from odps.models import Schema
schema = Schema.from_lists(['num', 'num2'], ['bigint', 'double'], ['pt'], ['string'])

#通过schema创建表
table = o.create_table('my_new_table', schema)

#只有不存在表时，才创建表。
table = o.create_table('my_new_table', schema, if_not_exists=True)

#设置生命周期。
table = o.create_table('my_new_table', schema, lifecycle=7)

未打开新数据类型开关时（默认关闭），创建表的数据类型只允许为BIGINT、DOUBLE、DECIMAL、STRING、DATETIME、BOOLEAN、MAP和ARRAY类型。如果您需要创建TINYINT和STRUCT等新数据类型字段的表，可以打开options.sql.use_odps2_extension = True开关，示例如下。

from odps import options
options.sql.use_odps2_extension = True
table = o.create_table('my_new_table', 'cat smallint, content struct<title:varchar(100), body:string>')

使用delete_table()方法删除已经存在的表。

o.delete_table('my_table_name', if_exists=True)  # 只有表存在时，才删除表。
t.drop()  # Table对象存在时，直接调用Drop方法删除。

有若干种方法能够获取表数据。

• 如果只是查看每个表的开始的小于1万条数据，则可以使用head方法。

  from odps import ODPS
  t = o.get_table('dual')
  for record in t.head(3):
      # 处理每个Record对象

• 使用 with 表达式的写法：

  with t.open_reader(partition='pt=test') as reader:
  count = reader.count
  for record in reader[5:10]:  # 可以执行多次，直到将count数量的record读完，这里可以改造成并行操作
      # 处理一条记录

• 不使用 with 表达式的写法：

  reader = t.open_reader(partition='pt=test')
  count = reader.count
  for record in reader[5:10]:  # 可以执行多次，直到将count数量的record读完，这里可以改造成并行操作
      # 处理一条记录

• 直接读取成 Pandas DataFrame：

  with t.open_reader(partition='pt=test') as reader:
  pd_df = reader.to_pandas()

类似于open_reader，table对象同样能执行open_writer来打开writer，并写数据。

• 使用with写法：

  with t.open_writer(partition='pt=test') as writer:
  	  records = [[111, 'aaa', True],                 # 这里可以是list
  	             [222, 'bbb', False],
  	             [333, 'ccc', True],
  	             [444, '中文', False]]
      writer.write(records)  # 这里records可以是可迭代对象
  
  records = [t.new_record([111, 'aaa', True]),   # 也可以是Record对象
             t.new_record([222, 'bbb', False]),
             t.new_record([333, 'ccc', True]),
             t.new_record([444, '中文', False])]
  writer.write(records)

• 如果分区不存在，可以使用 create_partition 参数指定创建分区，如：

  with t.open_writer(partition='pt=test', create_partition=True) as writer:
      records = [[111, 'aaa', True],                 # 这里可以是list
                 [222, 'bbb', False],
                 [333, 'ccc', True],
                 [444, '中文', False]]
      writer.write(records)  # 这里records可以是可迭代对象

• 更简单的写数据方法是使用ODPS对象的write_table方法，例如：

  records = [[111, 'aaa', True],                 # 这里可以是list
             [222, 'bbb', False],
             [333, 'ccc', True],
             [444, '中文', False]]
  o.write_table('test_table', records, partition='pt=test', create_partition=True)

  说明

  • 每次调用write_table，MaxCompute 都会在服务端生成一个文件。这一操作需要较大的时间开销， 同时过多的文件会降低后续的查询效率。因此，建议您在使用write_table方法时，一次性写入多组数据， 或者传入一个generator对象。

  • write_table写表时会追加到原有数据。PyODPS不提供覆盖数据的选项，如果需要覆盖数据，需要手动清除原有数据。对于非分区表，需要调用table.truncate()，对于分区表，需要删除分区后再建立。

Apache Arrow是一种跨语言的通用数据读写格式，支持在各种不同平台间进行数据交换。 自2021年起， MaxCompute支持使用Arrow格式读取表数据，PyODPS则从0.11.2版本开始支持该功能。具体来说，如果在Python环境中安装pyarrow后，在调用open_writer时增加arrow=True参数，即可读写Arrow RecordBatch 。

import pandas as pd
import pyarrow as pa
with t.open_writer(partition='pt=test', create_partition=True, arrow=True) as writer:
    records = [[111, 'aaa', True],
               [222, 'bbb', False],
               [333, 'ccc', True],
               [444, '中文', False]]
    df = pd.DataFrame(records, columns=["int_val", "str_val", "bool_val"])
    # 写入 RecordBatch
    batch = pa.RecordBatch.from_pandas(df)
    writer.write(batch)
    # 也可以直接写入 Pandas DataFrame
    writer.write(df)