全部產品
Search

搜尋本產品

    DataWorks：開發PyODPS 3任務

    文件中心

    DataWorks：開發PyODPS 3任務

    更新時間：Aug 30, 2024

    DataWorks為您提供PyODPS 3節點，您可以在該節點中直接使用Python代碼編寫MaxCompute作業，並進行作業的周期性調度。本文為您介紹如何通過DataWorks實現Python任務的配置與調度。

    前提條件

    已建立PyODPS 3節點，詳情請參見建立並管理MaxCompute節點。

    背景資訊

    PyODPS是MaxCompute的Python版本的SDK，提供簡單方便的Python編程介面，以便您使用Python編寫MaxCompute作業、查詢MaxCompute表和視圖，以及管理MaxCompute資源，詳情請參見PyODPS概述。在DataWorks中，您可通過PyODPS節點實現Python任務的調度運行，以及與其他作業的整合操作。

    注意事項

    • 如果您的PyODPS任務需要訪問特殊的網路環境（如VPC網路或IDC網路中的資料來源或服務等），請使用Serverless調度資源群組，並參考網路連通解決方案打通Serverless資源群組與目標環境的網路連通。

    • PyODPS文法及更多資訊請參見PyODPS文檔。

    • PyODPS節點分為PyODPS 2和PyODPS 3兩種，二者的區別在於底層Python語言版本不同。PyODPS 2底層Python語言版本為Python 2，PyODPS 3底層Python語言版本為Python 3，請您根據實際使用的Python語言版本建立PyODPS節點。

    • 若通過PyODPS節點執行SQL無法正常產生資料血緣關係，即資料血緣在資料地圖無法正常展示，您可在任務代碼處通過手動設定DataWorks調度啟動並執行相關參數解決。查看資料血緣，詳情請參見查看血緣資訊；參數設定，詳情請參見設定運行參數hints。任務運行時所需參數可參考如下代碼擷取。

      import os
...
# get DataWorks sheduler runtime parameters
skynet_hints = {}
for k, v in os.environ.items():
    if k.startswith('SKYNET_'):
        skynet_hints[k] = v
...
# setting hints while submiting a task
o.execute_sql('INSERT OVERWRITE TABLE XXXX SELECT * FROM YYYY WHERE ***', hints=skynet_hints)
...

    • Pyodps節點的輸出日誌最大支援4MB。建議您盡量避免在日誌中直接輸出大量的資料結果。相反，建議您多輸出警示日誌和正常進度的日誌，以提供更有價值的資訊。

    使用限制

    • 使用獨享調度資源群組執行PyODPS節點時，建議在節點內擷取到獨享資源群組本地處理的資料不超過50MB，該操作受限於獨享調度資源群組的規格，處理的本機資料過多並超出作業系統閾值時可能發生OOM（Got Killed）錯誤。請避免在PyODPS節點中寫入過多的資料處理代碼。詳情請參見高效使用PyODPS最佳實務。

    • 使用Serverless資源群組執行PYODPS節點時，您可根據節點內需要處理的資料量合理配置PyODPS節點的CU。

    • 如果您發現有Got killed報錯，即表明記憶體使用量超限，進程被中止。因此，請盡量避免本地的資料操作。通過PyODPS發起的SQL和DataFrame任務（除to_pandas外）不受此限制。

    • 非自訂函數代碼可以使用平台預裝的Numpy和Pandas。不支援其他帶有二進位代碼的三方包。

    • 由於相容性原因，在DataWorks中，options.tunnel.use_instance_tunnel預設設定為False。如果需要全域開啟instance tunnel，需要手動將該值設定為True。

    • 當Python 3的子版本號碼不同（例如Python 3.8和Python 3.7）時，位元組碼的定義有所不同。

      目前MaxCompute使用的Python 3版本為3.7，當使用其它版本Python 3中的部分文法（例如Python 3.8中的finally block）時，執行會報錯，建議您選擇Python 3.7。

    • PyODPS 3支援運行在Serverless資源群組上。如需購買使用，請參見新增和使用Serverless資源群組。

    編輯代碼：簡單樣本

    建立PyODPS節點後，您可以進行代碼編輯及運行，更多關於PyODPS文法說明，請參見基本操作概述。

    • ODPS入口

      DataWorks的PyODPS節點中，將會包含一個全域的變數odps或o，即ODPS入口，您無需手動定義ODPS入口。 

      print(odps.exist_table('PyODPS_iris'))

    • 執行SQL

      您可以在PyODPS節點中執行SQL，詳情請參見SQL。

      • DataWorks上預設未開啟instance tunnel，即instance.open_reader預設使用Result介面（最多一萬條記錄）。您可以通過reader.count擷取記錄數。如果您需要迭代擷取全部資料，則需要關閉limit限制。您可以通過下列語句在全域範圍內開啟Instance Tunnel並關閉limit限制。 

        options.tunnel.use_instance_tunnel = True
options.tunnel.limit_instance_tunnel = False  # 關閉limit限制，讀取全部資料。

with instance.open_reader() as reader:
  # 通過Instance Tunnel可讀取全部資料。

      • 您也可以通過在open_reader上添加tunnel=True，實現僅對本次open_reader開啟instance tunnel。同時，您還可以添加 limit=False，實現僅對本次關閉limit限制。

        # 本次open_reader使用Instance Tunnel介面，且能讀取全部資料。
with instance.open_reader(tunnel=True, limit=False) as reader:

    • 設定運行參數

      • 您可以通過設定hints參數，來設定運行時的參數，參數類型是dict。 Hints參數的詳情請參見SET操作。

        o.execute_sql('select * from PyODPS_iris', hints={'odps.sql.mapper.split.size': 16})

      • 對全域配置設定sql.settings後，每次運行時，都需要添加相關的運行時的參數。

        from odps import options
options.sql.settings = {'odps.sql.mapper.split.size': 16}
o.execute_sql('select * from PyODPS_iris')  # 根據全域配置添加hints。

    • 讀取運行結果

      運行SQL的執行個體能夠直接執行open_reader的操作，有以下兩種情況：

      • SQL返回了結構化的資料。 

        with o.execute_sql('select * from dual').open_reader() as reader:
	for record in reader:  # 處理每一個record。

      • 可能執行的是desc等SQL語句，通過reader.raw屬性，擷取到原始的SQL執行結果。 

        with o.execute_sql('desc dual').open_reader() as reader:
	print(reader.raw)
        說明

        如果使用了自訂調度參數，頁面上直接觸發運行PyODPS 3節點時，需要寫死時間，PyODPS節點無法直接替換。

    • DataFrame

      您還可以通過DataFrame的方式處理資料。

      • 執行

        在DataWorks的環境裡，DataFrame的執行需要顯式調用立即執行的方法。

        from odps.df import DataFrame
iris = DataFrame(o.get_table('pyodps_iris'))
for record in iris[iris.sepal_width < 3].execute():  # 調用立即執行的方法，處理每條Record。

        如果您需要在Print時調用立即執行，需要開啟options.interactive。

        from odps import options
from odps.df import DataFrame
options.interactive = True  # 在開始處開啟開關。
iris = DataFrame(o.get_table('pyodps_iris'))
print(iris.sepal_width.sum())  # Print時會立即執行。

      • 列印詳細資料

        通過設定options.verbose選項。在DataWorks上，預設已經處於開啟狀態，運行過程會列印Logview等詳細過程。

    樣本

    以下以一個簡單樣本為您介紹PyODPS節點的使用：

    1. 準備資料集，建立pyodps_iris樣本表，具體操作請參見Dataframe資料處理。

    2. 建立DataFrame，詳情請參見從MaxCompute表建立DataFrame。

    3. 在PyODPS節點中輸入以下代碼並運行。

      from odps.df import DataFrame

# 從ODPS表建立DataFrame。
iris = DataFrame(o.get_table('pyodps_iris'))
print(iris.sepallength.head(5))

      返回結果：

         sepallength
0          4.5
1          5.5
2          4.9
3          5.0
4          6.0

    編輯代碼：進階樣本

    若節點需要周期性調度，您需要定義節點調度時的相關屬性，調度配置詳情請參見任務調度屬性配置概述。

    使用調度參數

    單擊節點編輯地區右側的調度配置，在參數地區配置自訂參數，PyODPS節點與SQL節點定義變數的方式不同，詳情請參見調度參數配置。

    與DataWorks中的SQL節點不同，為了避免影響代碼，PyODPS節點不會在代碼中替換類似 ${param_name}的字串，而是在執行代碼前，在全域變數中增加一個名為args的dict，調度參數可以在此擷取。例如，在參數中設定ds=${yyyymmdd}，則可以通過以下方式在代碼中擷取該參數。

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

    如果您需要擷取名為ds的分區，則可以使用如下方法。

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

    更多情境的PyODPS任務開發，請參考：

    後續步驟

    • 如何判斷Shell自訂指令碼任務的成功完成：Python自訂指令碼任務的成功完成的判斷邏輯與Shell節點一致，您可通過該方法進行判斷。

    • 發布任務：如果您使用的是標準模式的工作空間，需要通過任務發布流程，將任務發布至生產環境後，任務才會周期調度運行。

    • 周期任務營運：任務提交發布至生產營運中心調度後，您可通過DataWorks營運中心進行相關營運操作。

    • PyODPS常見問題：您可瞭解PyODPS執行過程中的常見問題，便於出現異常時快速排查解決。