在DataWorks上使用PyODPS

功能入口

您可以进入DataWorks的数据开发页面创建PyODPS节点。

PyODPS节点分为PyODPS 2和PyODPS 3两种，二者的区别在于底层Python语言版本不同。PyODPS 2底层Python语言版本为Python 2，PyODPS 2底层Python语言版本为Python 3，请您根据实际使用的Python语言版本创建PyODPS节点。

更多创建PyODPS节点信息，请参见创建PyODPS 2节点和创建PyODPS 3节点。

使用示例，请参见PyODPS节点实现结巴中文分词。

使用限制

• PyODPS节点获取本地处理的数据不能超过50 MB，节点运行时占用内存不能超过1 GB，否则节点任务会被系统中止。请避免在PyODPS任务中写额外的Python数据处理代码。
• 在DataWorks上编写代码并进行调试效率较低，为提升运行效率，建议本地安装IDE进行代码开发。
• 在DataWorks上使用PyODPS时，为了防止对DataWorks的Gate Way造成压力，对内存和CPU都有限制，该限制由DataWorks统一管理。如果您发现有Got killed报错，即表明内存使用超限，进程被中止。因此，请尽量避免本地的数据操作。通过PyODPS发起的SQL和DataFrame任务（除to_pandas外）不受此限制。
• 由于缺少matplotlib等包，如下功能可能受限：
  • DataFrame的plot函数。
  • DataFrame自定义函数需要提交到MaxCompute执行。由于Python沙箱限制，第三方库只支持所有的纯粹Python库以及Numpy，因此不能直接使用Pandas。
  • DataWorks中执行的非自定义函数代码可以使用平台预装的Numpy和Pandas。不支持其他带有二进制代码的三方包。
• 由于兼容性原因，在DataWorks中，options.tunnel.use_instance_tunnel默认设置为False。如果需要全局开启instance tunnel，需要手动将该值设置为True。
• 由于实现的原因，Python的atexit包不被支持，请使用try-finally结构实现相关功能。

ODPS入口

print(o.exist_table('pyodps_iris'))

执行SQL

您可以在PyODPS节点中执行SQL，详情请参见SQL。

options.tunnel.use_instance_tunnel = True
options.tunnel.limit_instance_tunnel = False  # 关闭limit限制，读取全部数据。

with instance.open_reader() as reader:
    # 通过Instance Tunnel可读取全部数据。

您也可以通过在open_reader上添加tunnel=True，实现仅对本次open_reader开启instance tunnel。同时，您还可以添加 limit=False，实现仅对本次关闭limit限制。

with instance.open_reader(tunnel=True, limit=False) as reader:
# 本次open_reader使用Instance Tunnel接口，且能读取全部数据。

DataFrame

• 执行

  在DataWorks的环境里，DataFrame的执行需要显式调用立即执行的方法。

  from odps.df import DataFrame
  iris = DataFrame(o.get_table('pyodps_iris'))
  for record in iris[iris.sepal_width < 3].execute():  # 调用立即执行的方法，处理每条Record。

  如果您需要在Print时调用立即执行，需要开启options.interactive。

  from odps import options
  from odps.df import DataFrame
  options.interactive = True  # 在开始处打开开关。
  iris = DataFrame(o.get_table('pyodps_iris'))
  print(iris.sepal_width.sum())  # Print时会立即执行。

• 打印详细信息

  通过设置options.verbose选项。在DataWorks上，默认已经处于打开状态，运行过程会打印Logview等详细过程。

获取调度参数

与DataWorks中的SQL节点不同，为了避免影响代码，PyODPS节点不会在代码中替换 ${param_name}这样的字符串，而是在执行代码前，在全局变量中增加一个名为args的dict，调度参数可以在此获取。例如，在节点基本属性 > 参数中设置ds=${yyyymmdd}，则可以通过以下方式在代码中获取该参数。

print('ds=' + args['ds'])
ds=20161116

o.get_table('table_name').get_partition('ds=' + args['ds'])