表 - - 阿里雲

PyODPS支援對MaxCompute表的基本操作，包括建立表、建立表的Schema、同步表更新、擷取表資料、刪除表、表分區操作以及如何將錶轉換為DataFrame對象。

背景資訊

PyODPS提供對MaxCompute表的基本操作方法。

操作	說明
基本操作	列出專案空間下的所有表、判斷表是否存在、擷取表等基本操作。
建立表的Schema	使用PyODPS建立表的Schema。
建立表	使用PyODPS建立表。
同步表更新	使用PyODPS同步表更新。
寫入表資料	使用PyODPS向表中寫入資料。
向表中插入一行記錄	使用PyODPS向表中插入一行記錄。
擷取表資料	使用PyODPS擷取表中資料。
刪除表	使用PyODPS刪除表。
轉換表為DataFrame	使用PyODPS轉換表為DataFrame。
表分區	使用PyODPS判斷是否為分區表、遍曆表全部分區、判斷分區是否存在、建立分區等。
資料上傳下載通道	使用PyODPS操作Tunnel向MaxCompute中上傳或者下載資料。

說明

更多PyODPS方法說明，請參見Python SDK方法說明。

前提條件：準備運行環境

PyODPS支援在DataWorks的PyODPS節點或本地PC環境中運行，運行前您需先選擇運行工具並準備好運行環境。

使用DataWorks：建立好PyODPS 2節點或PyODPS 3節點，詳情請參見通過DataWorks使用PyODPS。
使用本地PC環境：安裝好PyODPS並初始化ODPS入口對象。

基本操作

當前專案內的表操作

列出專案空間下的所有表：
o.list_tables()方法可以列出專案空間下的所有表。
```
for table in o.list_tables():
    print(table)
```
可以通過prefix參數只列舉給定首碼的表：
```
for table in o.list_tables(prefix="table_prefix"):
    print(table.name)
```
通過該方法擷取的 Table 對象不會自動載入表名以外的屬性，此時擷取這些屬性（例如table_schema或者creation_time）可能導致額外的請求並造成額外的時間開銷。如果需要在列舉表的同時讀取這些屬性，在 PyODPS 0.11.5 及後續版本中，可以為list_tables添加extended=True參數：
```
for table in o.list_tables(extended=True):
    print(table.name, table.creation_time)
```
如果需要按類型列舉表，可以指定type參數。不同類型的表列舉方法如下：
```
managed_tables = list(o.list_tables(type="managed_table"))  # 列舉內建表
external_tables = list(o.list_tables(type="external_table"))  # 列舉外表
virtual_views = list(o.list_tables(type="virtual_view"))  # 列舉視圖
materialized_views = list(o.list_tables(type="materialized_view"))  # 列舉物化視圖
```

判斷表是否存在：

o.exist_table()方法可以判斷表是否存在。

print(o.exist_table('pyodps_iris'))
# 返回True表示表pyodps_iris存在。

擷取表：

入口對象的o.get_table()方法可以擷取表。

擷取表的schema資訊。

t = o.get_table('pyodps_iris')
print(t.schema)  # 擷取表pyodps_iris的schema

傳回值樣本如下。

odps.Schema {
  sepallength           double      # 片長度(cm)
  sepalwidth            double      # 片寬度(cm)
  petallength           double      # 瓣長度(cm)
  petalwidth            double      # 瓣寬度(cm)
  name                  string      # 種類
}

擷取表列資訊。

t = o.get_table('pyodps_iris')
print(t.schema.columns)  # 擷取表pyodps_iris的schema中的列資訊

傳回值樣本如下。

[<column sepallength, type double>,
 <column sepalwidth, type double>,
 <column petallength, type double>,
 <column petalwidth, type double>,
 <column name, type string>]

擷取表的某個列資訊。

t = o.get_table('pyodps_iris')
print(t.schema['sepallength'])  # 擷取表pyodps_iris的sepallength列資訊

傳回值樣本如下。

<column sepallength, type double>

擷取表的某個列的備忘資訊。

t = o.get_table('pyodps_iris')
print(t.schema['sepallength'].comment)  # 擷取表pyodps_iris的sepallength列的備忘資訊

返回樣本如下。

片長度(cm)

擷取表的生命週期。

t = o.get_table('pyodps_iris')
print(t.lifecycle)  # 擷取表pyodps_iris的生命週期

傳回值樣本如下。

-1

擷取表的建立時間。

t = o.get_table('pyodps_iris')
print(t.creation_time)  # 擷取表pyodps_iris的建立時間

擷取表是否是虛擬視圖。

t = o.get_table('pyodps_iris')
print(t.is_virtual_view)  # 擷取表pyodps_iris是否是虛擬視圖，返回False，表示不是。

與上述樣本類似，您也可以通過t.size、t.comment來擷取表的大小、表備忘等資訊。

跨專案的表操作

您可以通過project參數，跨專案擷取表。

t = o.get_table('table_name', project='other_project')

其中other_project為所跨的專案，table_name為跨專案擷取的表名稱。

建立表的Schema

初始化方法有如下兩種：

通過表的列以及可選的分區進行初始化。

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)

初始化後，您可擷取欄位資訊、分區資訊等。

擷取所有欄位資訊。

print(schema.columns)

返回樣本如下。

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

擷取分區欄位。

print(schema.partitions)

返回樣本如下。

[<partition pt, type string>]

擷取非分區欄位名稱。
```
print(schema.names)
```
返回樣本如下。
```
['num', 'num2']
```
擷取非分區欄位類型。
```
print(schema.types)
```
返回樣本如下。
```
[bigint, double]
```

使用Schema.from_lists()方法。該方法更容易調用，但無法直接設定列和分區的注釋。

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

傳回值樣本如下。

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

建立表

您可以使用o.create_table()方法建立表，使用方式有兩種：使用表Schema方式、使用欄位名和欄位類型方式。同時建立表時表欄位的資料類型有一定的限制條件，詳情如下。

使用表Schema建立表

使用表Schema建立表時，您需要先建立表的Schema，然後通過Schema建立表。

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

#通過schema建立表
table = o.create_table('my_new_table', schema)

#只有不存在表時，才建立表。
table = o.create_table('my_new_table', schema, if_not_exists=True)

#設定生命週期。
table = o.create_table('my_new_table', schema, lifecycle=7)

表建立完成後，您可以通過print(o.exist_table('my_new_table'))驗證表是否建立成功，返回True表示表建立成功。

使用欄位名及欄位類型建立表

#建立分區表my_new_table，可傳入（表欄位列表，分區欄位列表）。
table = o.create_table('my_new_table', ('num bigint, num2 double', 'pt string'), if_not_exists=True)

#建立非分區表my_new_table02。
table = o.create_table('my_new_table02', 'num bigint, num2 double', if_not_exists=True)

表建立完成後，您可以通過print(o.exist_table('my_new_table'))驗證表是否建立成功，返回True表示表建立成功。

使用欄位名及欄位類型建立表：新資料類型

未開啟新資料類型開關時（預設關閉），建立表的資料類型只允許為BIGINT、DOUBLE、DECIMAL、STRING、DATETIME、BOOLEAN、MAP和ARRAY類型。如果您需要建立TINYINT和STRUCT等新資料類型欄位的表，可以開啟options.sql.use_odps2_extension = True開關，樣本如下。

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>')

同步表更新

當一個表被其他程式更新，例如改變了Schema，可以調用reload()方法同步表的更新。

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

#通過reload()同步表更新
table = o.create_table('my_new_table', schema)
table.reload()

寫入表資料

使用入口對象的write_table()方法寫入資料。
重要
對於分區表，如果分區不存在，可以使用create_partition參數指定建立分區。
```
records = [[111, 1.0],                 # 此處可以是list。
          [222, 2.0],
          [333, 3.0],
          [444, 4.0]]
o.write_table('my_new_table', records, partition='pt=test', create_partition=True)  #建立pt=test分區並寫入資料
```
說明
- 每次調用write_table()方法，MaxCompute都會在服務端產生一個檔案。該操作耗時較長，同時檔案過多會降低後續的查詢效率。因此，建議您在使用此方法時，一次性寫入多組資料，或者傳入一個產生器對象。
- 調用write_table()方法向表中寫入資料時會追加到原有資料中。PyODPS不提供覆蓋資料的選項，如果需要覆蓋資料，請手動清除原有資料。對於非分區表，需要調用table.truncate()方法；對於分區表，需要刪除分區後再建立新的分區。

對錶對象調用open_writer()方法寫入資料。

t = o.get_table('my_new_table')
with t.open_writer(partition='pt=test02', create_partition=True) as writer:  #建立pt=test02分區並寫入資料
    records = [[1, 1.0],                 # 此處可以是List。
              [2, 2.0],
              [3, 3.0],
              [4, 4.0]]
    writer.write(records)  # 這裡Records可以是可迭代對象。

如果是多級分區表，寫入樣本如下。

t = o.get_table('test_table')
with t.open_writer(partition='pt1=test1,pt2=test2') as writer:  # 多級分區寫法。
    records = [t.new_record([111, 'aaa', True]),   # 也可以是Record對象。
               t.new_record([222, 'bbb', False]),
               t.new_record([333, 'ccc', True]),
               t.new_record([444, '中文', False])]
    writer.write(records)

使用多進程並行寫資料。

每個進程寫資料時共用同一個Session_ID，但是有不同的Block_ID。每個Block對應服務端的一個檔案。主進程執行Commit，完成資料上傳。

import random
from multiprocessing import Pool
from odps.tunnel import TableTunnel
def write_records(tunnel, table, session_id, block_id):
    # 對使用指定的ID建立Session。
    local_session = tunnel.create_upload_session(table.name, upload_id=session_id)
    # 建立Writer時指定Block_ID。
    with local_session.open_record_writer(block_id) as writer:
        for i in range(5):
            # 產生資料並寫入對應Block。
            record = table.new_record([random.randint(1, 100), random.random()])
            writer.write(record)

if __name__ == '__main__':
    N_WORKERS = 3

    table = o.create_table('my_new_table', 'num bigint, num2 double', if_not_exists=True)
    tunnel = TableTunnel(o)
    upload_session = tunnel.create_upload_session(table.name)

    # 每個進程使用同一個Session_ID。
    session_id = upload_session.id

    pool = Pool(processes=N_WORKERS)
    futures = []
    block_ids = []
    for i in range(N_WORKERS):
        futures.append(pool.apply_async(write_records, (tunnel, table, session_id, i)))
        block_ids.append(i)
    [f.get() for f in futures]

    # 最後執行Commit，並指定所有Block。
    upload_session.commit(block_ids)

向表中插入一行記錄

Record表示表的一行記錄，對錶對象調用new_record()方法即可建立一個新的Record。

t = o.get_table('test_table')
r = t.new_record(['val0', 'val1'])  # 值的個數必須等於表Schema的欄位數。
r2 = t.new_record()     # 可以不傳入值。
r2[0] = 'val0' # 通過位移設定值。
r2['field1'] = 'val1'  # 通過欄位名設定值。
r2.field1 = 'val1'  # 通過屬性設定值。

print(record[0])  # 取第0個位置的值。
print(record['c_double_a'])  # 通過欄位取值。
print(record.c_double_a)  # 通過屬性取值。
print(record[0: 3])  # 切片操作。
print(record[0, 2, 3])  # 取多個位置的值。
print(record['c_int_a', 'c_double_a'])  # 通過多個欄位取值。

擷取表資料

擷取表資料的方法有多種，常用方法如下：

使用入口對象的read_table()方法。

# 處理一條記錄。
for record in o.read_table('my_new_table', partition='pt=test'):
    print(record)

如果您僅需要查看每個表最開始的小於1萬條資料，可以對錶對象調用head()方法。
```
t = o.get_table('my_new_table')
# 處理每個Record對象。
for record in t.head(3):
    print(record)
```

調用open_reader()方法讀取資料。

使用with運算式的寫法如下。

t = o.get_table('my_new_table')
with t.open_reader(partition='pt=test') as reader:
count = reader.count
for record in reader[5:10]  # 可以執行多次，直到將Count數量的Record讀完，此處可以改造成並行操作。
    print(record)  # 處理一條記錄，例如列印記錄本身

不使用with運算式的寫法如下。

reader = t.open_reader(partition='pt=test')
count = reader.count
for record in reader[5:10]  # 可以執行多次，直到將Count數量的Record讀完，此處可以改造成並行操作。
    print(record)  # 處理一條記錄，例如列印記錄本身

刪除表

使用delete_table()方法刪除已經存在的表。

o.delete_table('my_table_name', if_exists=True)  # 只有表存在時，才刪除表。
t.drop()  # Table對象存在時，直接調用Drop方法刪除。

轉換表為DataFrame

PyODPS提供了DataFrame架構，支援以更方便的方式查詢和操作MaxCompute資料。使用to_df()方法，即可轉化為DataFrame對象。

table = o.get_table('my_table_name')
df = table.to_df()

表分區

判斷是否為分區表。

table = o.get_table('my_new_table')
if table.schema.partitions:
    print('Table %s is partitioned.' % table.name)

遍曆表全部分區。

table = o.get_table('my_new_table')
for partition in table.partitions:  # 遍曆所有分區
    print(partition.name)  # 具體的遍曆步驟，這裡是列印分區名
for partition in table.iterate_partitions(spec='pt=test'):  # 遍曆 pt=test 分區下的二級分區
    print(partition.name)  # 具體的遍曆步驟，這裡是列印分區名
for partition in table.iterate_partitions(spec='dt>20230119'):  # 遍曆 dt>20230119 分區下的二級分區
    print(partition.name)  # 具體的遍曆步驟，這裡是列印分區名

重要

PyODPS自0.11.3版本開始，支援為iterate_partitions指定邏輯運算式，如上述樣本中的dt>20230119。

判斷分區是否存在。

table = o.get_table('my_new_table')
table.exist_partition('pt=test,sub=2015')

擷取分區。

table = o.get_table('my_new_table')
partition = table.get_partition('pt=test')
print(partition.creation_time)
partition.size

建立分區。

t = o.get_table('my_new_table')
t.create_partition('pt=test', if_not_exists=True)  # 指定if_not_exists參數，分區不存在時才建立分區。

刪除分區。

t = o.get_table('my_new_table')
t.delete_partition('pt=test', if_exists=True)  # 自定if_exists參數，分區存在時才刪除分區。
partition.drop()  # 分區對象存在時，直接對分區對象調用Drop方法刪除。

資料上傳下載通道

Tunnel是MaxCompute的資料通道，使用者可以通過Tunnel向MaxCompute中上傳或者下載資料。

上傳資料樣本

from odps.tunnel import TableTunnel

table = o.get_table('my_table')

tunnel = TableTunnel(odps)
upload_session = tunnel.create_upload_session(table.name, partition_spec='pt=test')

with upload_session.open_record_writer(0) as writer:
    record = table.new_record()
    record[0] = 'test1'
    record[1] = 'id1'
    writer.write(record)

    record = table.new_record(['test2', 'id2'])
    writer.write(record)

# 需要在 with 代碼塊外 commit，否則資料未寫入即 commit，會導致報錯
upload_session.commit([0])

下載資料樣本

from odps.tunnel import TableTunnel

tunnel = TableTunnel(odps)
download_session = tunnel.create_download_session('my_table', partition_spec='pt=test')
# 處理每條記錄。
with download_session.open_record_reader(0, download_session.count) as reader:
    for record in reader:
        print(record)  # 具體的遍曆步驟，這裡是列印記錄對象

說明

PyODPS不支援上傳外部表格，例如OSS和OTS的表。
不推薦直接使用Tunnel介面，推薦您直接使用對象的寫和讀介面。
如果您安裝了CPython，在安裝PyODPS時會編譯C代碼，加速Tunnel的上傳和下載。