JindoCube在E-MapReduce 3.24.0及之后版本中可用。本文主要介绍E-MapReduce JindoCube的安装、部署和使用等。
前提条件
已创建表或者视图。
概述
JindoCube是E-MapReduce Spark支持的高级特性，通过预计算加速数据处理，实现十倍甚至百倍的性能提升。您可以将任意View表示的数据进行持久化，持久化的数据可以保存在HDFS或OSS等任意Spark支持的DataSource中。EMR Spark自动发现可用的已持久化数据，并优化执行计划，对用户完全透明。JindoCube主要用于查询模式相对比较固定的业务场景，通过提前设计JindoCube，对数据进行预计算和预组织，从而加速业务查询的速度，常见的使用场景包括MOLAP多维分析、报表生成、数据Dashboard和跨集群数据同步等。
JindoCube的安装与部署
JindoCube作为EMR Spark组件的高级特性，所有使用EMR Spark提交的Dataset、DataFrame API、SQL任务，均可以基于JindoCube进行加速，无须额外的组件部署与维护。
-
UI页面展示。
JindoCube主要通过Spark的UI页面进行管理，包括JindoCube的创建、删除和更新等。通过UI创建JindoCube完成后，即可自动用于该集群所有Spark任务的查询加速。通过spark.sql.cache.tab.display参数可以控制是否在Spark UI页面展示JindoCube的Tab，可以通过EMR控制台在Spark服务中配置相关参数，或者在Spark提交命令中指定参数值，该参数默认值为false。
JindoCube还提供了spark.sql.cache.useDatabase参数，可以针对业务方向，按不同的业务建立database，把需要建cache的view放在这个database中。对于分区表JindoCube还提供了spark.sql.cache.cacheByPartition参数，可指定cache使用分区字段进行存储。
参数
说明
示例值
spark.sql.cache.tab.display
显示Cube Managment页面。
true
spark.sql.cache.useDatabase
cube存储数据库。
db1,db2,dbn
spark.sql.cache.cacheByPartition
按照分区字段存储cube。
true
-
优化查询。
spark.sql.cache.queryRewrite用于控制是否允许使用JindoCube中的Cache数据加速Spark查询任务，用户可以在集群、session、SQL等层面使用该配置，默认值为true。
JindoCube的使用
-
创建JindoCube。
-
通过阿里云账号登录E-MapReduce控制台。
-
单击集群管理页签。
-
单击待操作集群所在行的集群ID。
-
单击左侧导航栏的访问链接与端口。
-
在公网访问链接页面，单击YARN UI所在行的链接，进入Knox代理的YARN UI页面。
Knox相关使用说明请参见Knox。
-
单击Name为Thrift JDBC/ODBC Server，Application Type为SPARK所在行的ApplicationMaster。
-
单击上方的Cube Management页签。
-
单击New Cache。
您可以选择某一个表或视图，单击action中的链接继续创建Cache。可以选择的Cache类型分为两类：
-
Raw Cache：某一个表或者视图的raw cache，表示将对应表或视图代表的表数据按照指定的方式持久化。
在创建Raw Cache时，需要指定如下信息：
参数
描述
是否必选
Cache Name
指定Cache的名字，支持字母、数字、连接号（–）和下划线（_）的组合。
必选
Column Selector
选择需要Cache哪些列的数据。
必选
Rewrite
是否允许该Cache被用作后续查询的执行计划优化。
必选
Provider
Cache数据的存储格式，支持JSON、PARQUET、ORC等所有Spark支持的数据格式。
必选
Partition Columns
Cache数据的分区字段。
可选
ZOrder Columns
ZOrder是一种支持多列排序的方法，Cache数据按照ZOrder字段排序后，对于基于ZOrder字段过滤的查询会有更好的加速效果。
可选
-
Cube Cache：基于某一个表或者视图的原始数据，按照用户指定的方式构建cube，并将cube数据持久化。
在创建Cube Cache时，用户需要指定如下信息：
参数
描述
是否必选
Cache Name
指定Cache的名字，支持字母、数字、连接号（–）和下划线（_）的组合。
必选
Dimension Selector
选择构建Cube时的维度字段。
必选
Measure Selector
选择构建Cube时的measure字段和measure预计算函数。
必选
Rewrite
是否允许该Cache被用作后续查询的执行计划优化。
必选
Provider
Cache数据的存储格式，支持JSON、PARQUET、ORC等所有Spark支持的数据格式。
必选
Partition Columns
Cache数据的分区字段。
可选
ZOrder Columns
ZOrder是一种支持多列排序的方法，Cache数据按照ZOrder字段排序后，对于基于ZOrder字段过滤的查询会有更好的加速效果。
可选
JindoCube通过用户指定的Dimension和Measure信息来构建Cube，创建的Cube Cache可以用SQL表示为：
SELECT c_city, c_nation, c_region, MAX(lo_quantity), SUM(lo_tax) FROM lineorder_flatten GROUP BY c_city, c_nation, c_region;JindoCube计算Cube的最细粒度维度组合，在优化使用更粗粒度的维度组合的查询时，基于Spark强大的现场计算能力，通过重聚合实现。在定义Cube Cache时，必须使用JindoCube支持的预计算函数。JindoCube支持的预计算函数和其对应的聚合函数类型如下：
聚合函数类型
预计算函数
COUNT
COUNT
SUM
SUM
MAX
MAX
MIN
MIN
AVG
COUNT，SUM
COUNT（DISTINCT ）
PRE_COUNT_DISTINCT
APPROX_COUNT_DISTINCT
PRE_APPROX_COUNT_DISTINCT
在Cube Management页面，展示所有的Cache列表。单击Detail进入Cache的详细页面，在Cache详细页会展示Cache的详细信息、包括基本信息、Cache数据分区信息、构建Cache信息以及构建历史信息等。
-
-
-
构建JindoCube。
创建JindoCube Cache只是进行元数据操作，Cache表示的数据并未持久化，需要继续构建Cache，从而持久化Cache数据到HDFS或OSS等存储中。此外Cache对应的源表数据可能会新增或者更新，需要更新Cache中的数据从而保持一致。JindoCube支持两类构建操作：
-
Build Cache。
通过Build Cache链接，用户可以主动触发一次构建操作。
在构建JindoCube的Cache时，相关用户选项如下：
参数
描述
Save Mode
支持Overwrite和Append两种模式。
-
Overwrite：会覆盖之前曾经构建的Cache数据。
-
Append：会新增数据到Cache中。
Optional Filter
用户可以选择额外的过滤条件，在构建时，将该Cache表示的数据过滤后再持久化。
-
Column：过滤字段。
-
Filter Type：过滤类型，支持固定值和范围值两种。
-
Fixed Values：指定过滤值，可以多个，以“,”分隔。
-
Range Values：指定范围值的最小和最大值，最大值可以为空，过滤条件包含最小值，不包含最大值。
-
例如，构建任务想要构建lineorder_flatten视图的Raw Cache数据，要写入Cache中的数据可以使用如下SQL表示：
SELECT * FROM lineorder_flatten WHERE s_region == 'ASIA' OR s_region == 'AMERICA';单击Submit，提交构建任务，返回到Cache详细页面，对应的构建任务会提交到Spark集群中执行，在Build Information中可以看到当前是否正在构建Cache的信息。在Cache构建完成后，可以在Build History中看到相关的信息。
说明Cache数据由Spark任务写到一个指定目录中，和普通的Spark写表或者写目录一样，对于Parquet、Json、ORC等数据格式，并发构建同一个Cache可能导致Cache数据不准确，不可用，应避免这种情况。如果无法避免并发构建、更新Cache，可以考虑使用delta等支持并发写的数据格式。
-
-
Trigger Period Build。
定期更新功能可以方便用户设置自动更新Cache的策略，保持Cache数据和源表数据的一致。
定期更新的相关用户选项如下：
参数
描述
Save Mode
支持Overwrite和Append两种模式。
-
Overwrite：会覆盖之前曾经构建的Cache数据。
-
Append：会新增数据到Cache中。
Trigger Strategy
触发策略，设置触发构建任务的开始时间和间隔时间。
-
Start At：通过时间控件选择或者手工输入第一次触发构建任务的时间点，日期格式为yyyy-MM-dd hh:mm:ss。
-
Period：设置触发构建任务的间隔时间。
Optional Step
设置每次触发构建任务的数据筛选条件，通过指定时间类型的字段，配合触发策略中的间隔时间，可以实现按照时间间隔增量的更新Cache。如果不选择，每次全量更新Cache。
-
Step By：选择增量更新字段类型，只支持时间类型字段，包括Long类型的timestamp字段，以及指定dateformat信息的String类型字段。
-
Column Name：增量更新字段名称。
在Cache详细页面中，可以看到当前设置的定期更新策略，用户可以随时通过Cancel Period Build取消定期更新。所有触发的构建任务信息在完成后也可以在Build History列表中看到。
说明-
定期更新任务是Spark集群级别的，相关设置保存在SparkContext中，并由Spark Driver定期触发，当Spark集群关闭后，定期更新任务也随之关闭。
-
当前Spark集群所有的构建任务完成后，都会展示在Build History列表中，包含开始/结束时间、SaveMode、构建条件，任务最终状态等。Build History也是Spark集群级别的信息，当Spark集群关闭后，相关信息也随之释放。
-
-
-
管理JindoCube。
创建和构建JindoCube的Cache数据后，通过Cube Management的UI页面，可以对JindoCube的Cache数据进行进一步的管理。
-
删除cache。
在JindoCube Cache列表页面，可以通过action列的Drop删除对应Cache，删除成功后，Cache的相关元数据和存储数据都会被清理。
-
开启或关闭Cache优化。
JindoCube支持在Cache级别，设置是否允许用于Spark查询的优化，在Cache的详细页面，您可以通过基本信息中的Enabled或Disabled，启用或者停用该Cache，控制是否允许该Cache用于查询加速。
-
删除分区数据。
如果Cache的数据是按照分区存储的，当确认某些分区数据不再需要时，删除这些分区数据可以节省大量存储空间。在Cache的详细页面，分区Cache的相关分区会通过列表展示，用户可以通过Delete删除特定分区的数据。
说明在删除Cache分区数据之前，请谨慎确认，确保该分区数据不会被使用。如果用户的查询经过优化需要用到该Cache被删除的分区数据，会导致错误的查询结果。
-
-
查询优化。
目前JindoCube支持基于View的查询优化，当用户使用某个视图创建了Raw Cache或者Cube Cache后，后续的查询使用到了该视图，EMR Spark会在满足逻辑语义的前提下，尝试使用Cache重写查询的执行计划，新的执行计划直接访问Cache数据，从而加速查询速度。以如下场景为例，lineorder_flatten视图是将lineorder和其他维度表关联之后的大宽表视图，其相关定义如下：
0: jdbc:hive2://localhost:10001/ssb_10> desc extended lineorder_flatten; 19/12/30 14:08:16 WARN [main] HiveConf: HiveConf of name hive.enforce.bucketing does not exist 19/12/30 14:08:16 WARN [main] HiveConf: HiveConf of name hive.support.sql11.reserved.keywords does not exist +-------------------------------+------------------------------------------------------+----------+ | col_name | data_type | comment | +-------------------------------+------------------------------------------------------+----------+ | lo_orderkey | bigint | NULL | | lo_linenumber | bigint | NULL | | lo_custkey | int | NULL | | lo_partkey | int | NULL | | lo_suppkey | int | NULL | | lo_orderdate | int | NULL | | lo_orderpriotity | string | NULL | | lo_shippriotity | int | NULL | | lo_quantity | bigint | NULL | | lo_extendedprice | bigint | NULL | | lo_ordtotalprice | bigint | NULL | | lo_discount | bigint | NULL | | lo_revenue | bigint | NULL | | lo_supplycost | bigint | NULL | | lo_tax | bigint | NULL | | lo_commitdate | int | NULL | | lo_shipmode | string | NULL | | s_suppkey | int | NULL | | s_name | string | NULL | | s_address | string | NULL | | s_city | string | NULL | | s_nation | string | NULL | | s_region | string | NULL | | s_phone | string | NULL | | d_datekey | int | NULL | | d_date | string | NULL | | d_dayofweek | string | NULL | | d_month | string | NULL | | d_year | int | NULL | | d_yearmonthnum | int | NULL | | d_yearmonth | string | NULL | | d_daynuminweek | int | NULL | | d_daynuminmonth | int | NULL | | d_daynuminyear | int | NULL | | d_monthnuminyear | int | NULL | | d_weeknuminyear | int | NULL | | d_sellingseason | string | NULL | | d_lastdayinweekfl | int | NULL | | d_lastdayinmonthfl | int | NULL | | d_holidayfl | int | NULL | | d_weekdayfl | int | NULL | | c_custkey | int | NULL | | c_name | string | NULL | | c_address | string | NULL | | c_city | string | NULL | | c_nation | string | NULL | | c_region | string | NULL | | c_phone | string | NULL | | c_mktsegment | string | NULL | | p_partkey | int | NULL | | p_name | string | NULL | | p_mfgr | string | NULL | | p_category | string | NULL | | p_brand | string | NULL | | p_color | string | NULL | | p_type | string | NULL | | p_size | int | NULL | | p_container | string | NULL | | | | | | # Detailed Table Information | | | | Database | ssb_10 | | | Table | lineorder_flatten | | | Owner | hadoop | | | Created Time | Sat Dec 28 17:30:02 CST 2019 | | | Last Access | Thu Jan 01 08:00:00 CST 1970 | | | Created By | Spark 2.2 or prior | | | Type | VIEW | | | View Text | SELECT `lineorder`.`lo_orderkey`, `lineorder`.`lo_linenumber`, `lineorder`.`lo_custkey`, `lineorder`.`lo_partkey`, `lineorder`.`lo_suppkey`, `lineorder`.`lo_orderdate`, `lineorder`.`lo_orderpriotity`, `lineorder`.`lo_shippriotity`, `lineorder`.`lo_quantity`, `lineorder`.`lo_extendedprice`, `lineorder`.`lo_ordtotalprice`, `lineorder`.`lo_discount`, `lineorder`.`lo_revenue`, `lineorder`.`lo_supplycost`, `lineorder`.`lo_tax`, `lineorder`.`lo_commitdate`, `lineorder`.`lo_shipmode`, `supplier`.`s_suppkey`, `supplier`.`s_name`, `supplier`.`s_address`, `supplier`.`s_city`, `supplier`.`s_nation`, `supplier`.`s_region`, `supplier`.`s_phone`, `dates`.`d_datekey`, `dates`.`d_date`, `dates`.`d_dayofweek`, `dates`.`d_month`, `dates`.`d_year`, `dates`.`d_yearmonthnum`, `dates`.`d_yearmonth`, `dates`.`d_daynuminweek`, `dates`.`d_daynuminmonth`, `dates`.`d_daynuminyear`, `dates`.`d_monthnuminyear`, `dates`.`d_weeknuminyear`, `dates`.`d_sellingseason`, `dates`.`d_lastdayinweekfl`, `dates`.`d_lastdayinmonthfl`, `dates`.`d_holidayfl`, `dates`.`d_weekdayfl`, `customer`.`c_custkey`, `customer`.`c_name`, `customer`.`c_address`, `customer`.`c_city`, `customer`.`c_nation`, `customer`.`c_region`, `customer`.`c_phone`, `customer`.`c_mktsegment`, `part`.`p_partkey`, `part`.`p_name`, `part`.`p_mfgr`, `part`.`p_category`, `part`.`p_brand`, `part`.`p_color`, `part`.`p_type`, `part`.`p_size`, `part`.`p_container` FROM `ssb_10`.`lineorder`, `ssb_10`.`supplier`, `ssb_10`.`dates`, `ssb_10`.`customer`, `ssb_10`.`part` WHERE `lineorder`.`lo_orderdate` = `dates`.`d_datekey` AND `lineorder`.`lo_custkey` = `customer`.`c_custkey` AND `lineorder`.`lo_suppkey` = `supplier`.`s_suppkey` AND `lineorder`.`lo_partkey` = `part`.`p_partkey` | | Table Properties | [transient_lastDdlTime=1577677599] | | | Serde Library | org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe | | | InputFormat | org.apache.hadoop.mapred.TextInputFormat | | | OutputFormat | org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat | | | Storage Properties | [serialization.format=1] | | +-------------------------------+------------------------------------------------------+----------+ 73 rows selected (0.057 seconds) 0: jdbc:hive2://localhost:10001/ssb_10>基于lineorder_flatten视图简单查询的执行计划如下：
0: jdbc:hive2://localhost:10001/ssb_10> explain select * from lineorder_flatten where c_region = 'ASIA' limit 10; 19/12/30 14:19:32 WARN [main] HiveConf: HiveConf of name hive.enforce.bucketing does not exist 19/12/30 14:19:32 WARN [main] HiveConf: HiveConf of name hive.support.sql11.reserved.keywords does not exist +----------------------------------------------+ | plan | +----------------------------------------------+ | == Physical Plan == CollectLimit 10 +- *(11) SortMergeJoin [lo_partkey#313], [p_partkey#359], Inner :- *(8) Sort [lo_partkey#313 ASC NULLS FIRST], false, 0 : +- Exchange hashpartitioning(lo_partkey#313, 200) : +- *(7) SortMergeJoin [lo_custkey#312], [c_custkey#351], Inner : :- *(4) Sort [lo_custkey#312 ASC NULLS FIRST], false, 0 : : +- Exchange hashpartitioning(lo_custkey#312, 200) : : +- *(3) BroadcastHashJoin [lo_orderdate#315], [d_datekey#334], Inner, BuildRight : : :- *(3) BroadcastHashJoin [lo_suppkey#314], [s_suppkey#327], Inner, BuildRight : : : :- *(3) Filter (((isnotnull(lo_suppkey#314) && isnotnull(lo_orderdate#315)) && isnotnull(lo_custkey#312)) && isnotnull(lo_partkey#313)) : : : : +- Scan hive ssb_10.lineorder [lo_orderkey#310L, lo_linenumber#311L, lo_custkey#312, lo_partkey#313, lo_suppkey#314, lo_orderdate#315, lo_orderpriotity#316, lo_shippriotity#317, lo_quantity#318L, lo_extendedprice#319L, lo_ordtotalprice#320L, lo_discount#321L, lo_revenue#322L, lo_supplycost#323L, lo_tax#324L, lo_commitdate#325, lo_shipmode#326], HiveTableRelation `ssb_10`.`lineorder`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [lo_orderkey#310L, lo_linenumber#311L, lo_custkey#312, lo_partkey#313, lo_suppkey#314, lo_orderdate#315, lo_orderpriotity#316, lo_shippriotity#317, lo_quantity#318L, lo_extendedprice#319L, lo_ordtotalprice#320L, lo_discount#321L, lo_revenue#322L, lo_supplycost#323L, lo_tax#324L, lo_commitdate#325, lo_shipmode#326] : : : +- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint))) : : : +- *(1) Filter isnotnull(s_suppkey#327) : : : +- Scan hive ssb_10.supplier [s_suppkey#327, s_name#328, s_address#329, s_city#330, s_nation#331, s_region#332, s_phone#333], HiveTableRelation `ssb_10`.`supplier`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [s_suppkey#327, s_name#328, s_address#329, s_city#330, s_nation#331, s_region#332, s_phone#333] : : +- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint))) : : +- *(2) Filter isnotnull(d_datekey#334) : : +- Scan hive ssb_10.dates [d_datekey#334, d_date#335, d_dayofweek#336, d_month#337, d_year#338, d_yearmonthnum#339, d_yearmonth#340, d_daynuminweek#341, d_daynuminmonth#342, d_daynuminyear#343, d_monthnuminyear#344, d_weeknuminyear#345, d_sellingseason#346, d_lastdayinweekfl#347, d_lastdayinmonthfl#348, d_holidayfl#349, d_weekdayfl#350], HiveTableRelation `ssb_10`.`dates`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [d_datekey#334, d_date#335, d_dayofweek#336, d_month#337, d_year#338, d_yearmonthnum#339, d_yearmonth#340, d_daynuminweek#341, d_daynuminmonth#342, d_daynuminyear#343, d_monthnuminyear#344, d_weeknuminyear#345, d_sellingseason#346, d_lastdayinweekfl#347, d_lastdayinmonthfl#348, d_holidayfl#349, d_weekdayfl#350] : +- *(6) Sort [c_custkey#351 ASC NULLS FIRST], false, 0 : +- Exchange hashpartitioning(c_custkey#351, 200) : +- *(5) Filter ((isnotnull(c_region#356) && (c_region#356 = ASIA)) && isnotnull(c_custkey#351)) : +- Scan hive ssb_10.customer [c_custkey#351, c_name#352, c_address#353, c_city#354, c_nation#355, c_region#356, c_phone#357, c_mktsegment#358], HiveTableRelation `ssb_10`.`customer`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [c_custkey#351, c_name#352, c_address#353, c_city#354, c_nation#355, c_region#356, c_phone#357, c_mktsegment#358] +- *(10) Sort [p_partkey#359 ASC NULLS FIRST], false, 0 +- Exchange hashpartitioning(p_partkey#359, 200) +- *(9) Filter isnotnull(p_partkey#359) +- Scan hive ssb_10.part [p_partkey#359, p_name#360, p_mfgr#361, p_category#362, p_brand#363, p_color#364, p_type#365, p_size#366, p_container#367], HiveTableRelation `ssb_10`.`part`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [p_partkey#359, p_name#360, p_mfgr#361, p_category#362, p_brand#363, p_color#364, p_type#365, p_size#366, p_container#367] | +----------------------------------------------+ 1 row selected (0.435 seconds)在为line order_flatten视图创建Raw Cache并构建完成后，执行相同查询，EMR Spark会自动使用Cache数据优化执行计划，优化后的执行计划如下：
0: jdbc:hive2://localhost:10001/ssb_10> explain select * from lineorder_flatten where c_region = 'ASIA' limit 10; 19/12/30 14:17:47 INFO [main] HiveConf: Found configuration file file:/etc/ecm/spark-conf-2.4.3-hadoop2.8-1.4.2/hive-site.xml 19/12/30 14:17:47 WARN [main] HiveConf: HiveConf of name hive.enforce.bucketing does not exist 19/12/30 14:17:47 WARN [main] HiveConf: HiveConf of name hive.support.sql11.reserved.keywords does not exist +----------------------------------------------------+ | plan | +----------------------------------------------------+ | == Physical Plan == CollectLimit 10 +- *(1) Project [lo_orderkey#128L, lo_linenumber#129L, lo_custkey#130, lo_partkey#131, lo_suppkey#132, lo_orderdate#133, lo_orderprioritiy#134, lo_shipprioritiy#135, lo_quantity#136L, lo_extendedprice#137L, lo_ordtotalprice#138L, lo_discount#139L, lo_revenue#140L, lo_supplycost#141L, lo_tax#142L, lo_commitdate#143, lo_shipmode#144, s_suppkey#145, s_name#146, s_address#147, s_city#148, s_nation#149, s_region#150, s_phone#151, ... 34 more fields] +- *(1) Filter (isnotnull(c_region#174) && (c_region#174 = ASIA)) +- *(1) FileScan parquet [lo_orderkey#128L,lo_linenumber#129L,lo_custkey#130,lo_partkey#131,lo_suppkey#132,lo_orderprioritiy#134,lo_shipprioritiy#135,lo_quantity#136L,lo_extendedprice#137L,lo_ordtotalprice#138L,lo_discount#139L,lo_revenue#140L,lo_supplycost#141L,lo_tax#142L,lo_commitdate#143,lo_shipmode#144,s_suppkey#145,s_name#146,s_address#147,s_city#148,s_nation#149,s_region#150,s_phone#151,d_datekey#152,... 34 more fields] Batched: true, Format: Parquet, Location: InMemoryFileIndex[/user/hive/warehouse/ssb_10/_CACHE/lineorder_flatten/raw], PartitionCount: 2406, PartitionFilters: [], PushedFilters: [IsNotNull(c_region), EqualTo(c_region,ASIA)], ReadSchema: struct<lo_orderkey:bigint,lo_linenumber:bigint,lo_custkey:int,lo_partkey:int,lo_suppkey:int,lo_or... | +----------------------------------------------------+可以看到，优化后的执行计划省去了lineorder_flatten视图的所有计算逻辑，直接访问HDFS中Cache的数据。
注意事项
-
JindoCube并不保证Cache数据和源表数据的一致性，而是需要用户通过手工触发或者设置定期策略触发更新任务同步Cache中的数据，用户需要根据查询对于数据一致性的需求，触发Cache的更新任务。
-
在对查询的执行计划进行优化的时候，JindoCube根据视图的元数据判断是否可以使用Cache优化查询的执行计划。优化后，如果Cache的数据不完整，可能会影响查询结果的完整性或正确性。可能导致Cache数据不完整的情况包括：用户在Cache详情页主动删除查询需要的Cache Partition数据，构建、更新Cache时指定的过滤条件过滤掉了查询需要的数据，查询需要的数据还未及时更新到Cache等。