如何通过DataWorks创建和配置外部表 - 大数据开发治理平台 DataWorks

本文将为您介绍如何通过DataWorks创建、配置外部表，以及外部表支持的字段类型。

外部表概述

使用外部表前，您需要了解下表中的定义。

名称	描述
对象存储OSS	提供标准、低频、归档存储类型，能够覆盖不同的存储场景。同时，OSS能够与Hadoop开源社区及EMR、批量计算、MaxCompute、机器学习和函数计算等产品进行深度结合。
MaxCompute	大数据计算服务MaxCompute为您提供快速且完全托管的数据仓库解决方案，并可以通过与OSS的结合，高效经济地分析处理海量数据。
MaxCompute外部表	该功能基于MaxCompute新一代的V2.0计算框架，可以帮助您直接对OSS中的海量文件进行查询，无需将数据加载至MaxCompute表中。既减少了数据迁移的时间和人力，也节省了存储的成本。

下图为外部表的整体处理架构。架构图

目前，MaxCompute主要支持OSS和OTS等非结构化存储的外部表。从数据的流动和处理逻辑的角度，非结构化处理框架在MaxCompute计算平台两端有耦合地进行数据导入和导出。以OSS外部表为例，处理逻辑如下：

外部的OSS数据经过非结构化框架转换，使用JAVA InputStream类提供给您自定义代码接口。您可以自己实现Extract逻辑，只需要负责对输入的InputStream进行读取、解析、转化和计算，最终返回MaxCompute计算平台通用的Record格式。
上述Record可以自由参与MaxCompute的SQL逻辑运算，该部分计算基于MaxCompute内置的结构化SQL运算引擎，并可能产生新的Record。
经过运算的Record传递给用户自定义的Output逻辑，您可以进行进一步的计算转换，并最终通过系统提供的OutputStream，输出Record中需要输出的信息，由系统负责写入至OSS。

您可以通过DataWorks配合MaxCompute，对外部表进行可视化的创建、搜索、查询、配置、加工和分析等操作。

网络与权限认证

由于MaxCompute与OSS是两个独立的云计算与云存储服务，所以在不同的部署集群上的网络连通性有可能影响MaxCompute访问OSS的数据的可达性。在MaxCompute中访问OSS存储时，建议您使用OSS私网地址（即以-internal.aliyuncs.com结尾的host地址）。

MaxCompute需要有一个安全的授权通道访问OSS数据。MaxCompute结合了阿里云的访问控制服务（RAM）和令牌服务（STS）实现对数据的安全访问。MaxCompute在获取权限时，以表的创建者的身份在STS申请权限（OTS的权限设置与OSS一致）。

STS模式授权

MaxCompute需要直接访问OSS的数据，因此需要将OSS数据相关权限赋给MaxCompute的访问账号。STS是阿里云为客户提供的一种安全令牌管理服务，它是资源访问管理（RAM）产品中的一员。通过STS服务，获得许可的云服务或RAM用户，可以自主颁发自定义时效和子权限的访问令牌。获得访问令牌的应用程序，可以使用令牌直接调用阿里云服务API操作资源。

您可以通过以下两种方式进行授权：

当MaxCompute和OSS的项目所有者是同一个账号时，请直接登录阿里云账号后进行一键授权。
1. 打开新建表的编辑页面，找到物理模型设计模块。
2. 勾选表类型后的外部表。
3. 单击选择存储地址后的一键授权。
4. 单击云资源访问授权对话框中的同意授权。

自定义授权，在RAM中授予MaxCompute访问OSS的权限。

登录RAM控制台。
说明
如果MaxCompute和OSS不是同一个账号，此处需要由OSS账号登录并授权。
单击左侧导航栏中的身份管理 > 角色。
单击创建角色，选择可信实体类型为阿里云账号，单击下一步。
输入角色名称和备注。
说明
设置角色名称为AliyunODPSDefaultRole或AliyunODPSRoleForOtherUser。
选择信任的云账号为当前云账号或其他云账号。
说明
如果选择其他云账号，请输入其他云账号的ID。
单击完成。

配置角色详情。

在RAM角色管理页面，单击相应的RAM角色名称。在信任策略管理页签下，单击编辑信任策略，根据自身情况输入下述策略内容。

--当MaxCompute和OSS的Owner是同一个账号。
{
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"odps.aliyuncs.com"
      ]
    }
  }
],
"Version": "1"
}

--当MaxCompute和OSS的Owner不是同一个账号。
{
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"MaxCompute的Owner云账号id@odps.aliyuncs.com"
      ]
    }
  }
],
"Version": "1"
}

配置完成后，单击保存信任策略。

配置角色授权策略，并找到授予角色访问OSS必要的权限AliyunODPSRolePolicy，将权限AliyunODPSRolePolicy授权给该角色。如果您无法通过搜索授权找到，可以通过精确授权直接添加。

{
    "Version": "1",
    "Statement": [
        {
            "Action": [
                "oss:ListBuckets",
                "oss:GetObject",
                "oss:ListObjects",
                "oss:PutObject",
                "oss:DeleteObject",
                "oss:AbortMultipartUpload",
                "oss:ListParts"
            ],
            "Resource": "*",
            "Effect": "Allow"
        },
        {
            "Action": [
                "ots:ListTable",
                "ots:DescribeTable",
                "ots:GetRow",
                "ots:PutRow",
                "ots:UpdateRow",
                "ots:DeleteRow",
                "ots:GetRange",
                "ots:BatchGetRow",
                "ots:BatchWriteRow",
                "ots:ComputeSplitPointsBySize"
            ],
            "Resource": "*",
            "Effect": "Allow"
        },
        {
            "Action": [
                "pvtz:DescribeRegions",
                "pvtz:DescribeZones",
                "pvtz:DescribeZoneInfo",
                "pvtz:DescribeVpcs",
                "pvtz:DescribeZoneRecords"
            ],
            "Resource": "*",
            "Effect": "Allow"
        },
        {
            "Action": [
                "dlf:CreateFunction",
                "dlf:BatchGetPartitions",
                "dlf:ListDatabases",
                "dlf:CreateLock",
                "dlf:UpdateFunction",
                "dlf:BatchUpdateTables",
                "dlf:DeleteTableVersion",
                "dlf:UpdatePartitionColumnStatistics",
                "dlf:ListPartitions",
                "dlf:DeletePartitionColumnStatistics",
                "dlf:BatchUpdatePartitions",
                "dlf:GetPartition",
                "dlf:BatchDeleteTableVersions",
                "dlf:ListFunctions",
                "dlf:DeleteTable",
                "dlf:GetTableVersion",
                "dlf:AbortLock",
                "dlf:GetTable",
                "dlf:BatchDeleteTables",
                "dlf:RenameTable",
                "dlf:RefreshLock",
                "dlf:DeletePartition",
                "dlf:UnLock",
                "dlf:GetLock",
                "dlf:GetDatabase",
                "dlf:GetFunction",
                "dlf:BatchCreatePartitions",
                "dlf:ListPartitionNames",
                "dlf:RenamePartition",
                "dlf:CreateTable",
                "dlf:BatchCreateTables",
                "dlf:UpdateTableColumnStatistics",
                "dlf:ListTableNames",
                "dlf:UpdateDatabase",
                "dlf:GetTableColumnStatistics",
                "dlf:ListFunctionNames",
                "dlf:ListPartitionsByFilter",
                "dlf:GetPartitionColumnStatistics",
                "dlf:CreatePartition",
                "dlf:CreateDatabase",
                "dlf:DeleteTableColumnStatistics",
                "dlf:ListTableVersions",
                "dlf:BatchDeletePartitions",
                "dlf:ListCatalogs",
                "dlf:UpdateTable",
                "dlf:ListTables",
                "dlf:DeleteDatabase",
                "dlf:BatchGetTables",
                "dlf:DeleteFunction"
            ],
            "Resource": "*",
            "Effect": "Allow"
        }
    ]
}

使用OSS数据源
如果您已创建并保存了OSS数据源，请在工作空间列表页面找到您所创建的工作空间，单击操作列的管理，在数据源页面进行查看和使用。

创建外部表

DDL模式建表

进入数据开发页面，参见创建并使用MaxCompute表进行DDL模式建表，您只需要遵守正常的MaxCompute语法即可。如果您的STS服务已成功授权，则无需设置odps.properties.rolearn属性。

DDL建表语句示例如下，其中EXTERNAL参数说明该表为外部表。

CREATE EXTERNAL TABLE IF NOT EXISTS ambulance_data_csv_external(
vehicleId int,
recordId int,
patientId int,
calls int,
locationLatitute double,
locationLongtitue double,
recordTime string,
direction string
)

STORED BY 'com.aliyun.odps.udf.example.text.TextStorageHandler' --STORED BY用于指定自定义格式StorageHandler的类名或其它外部表文件格式，必选。
with SERDEPROPERTIES (
'delimiter'='\\|', --SERDEPROPERTIES序列化属性参数，可以通过DataAttributes传递到Extractor代码中，可选。
'odps.properties.rolearn'='acs:ram::xxxxxxxxxxxxx:role/aliyunodpsdefaultrole'
)
LOCATION 'oss://oss-cn-shanghai-internal.aliyuncs.com/oss-odps-test/Demo/SampleData/CustomTxt/AmbulanceData/'     --外部表存放地址，必选。
USING 'odps-udf-example.jar'; --指定自定义格式时类定义所在的Jar包，如果未使用自定义格式无需指定。

关于STORED BY后接参数，其中CSV或TSV文件对应默认内置的StorageHandler，具体参数如下：

CSV为com.aliyun.odps.CsvStorageHandler ，定义如何读写CSV格式数据，数据格式约定列分隔符为英文逗号（,）、换行符为（\n）。实际参数输入示例：STORED BY'com.aliyun.odps.CsvStorageHandler'。
TSV为 com.aliyun.odps.TsvStorageHandler，定义如何读写TSV格式数据，数据格式约定列分隔符为（\t）、换行符为（\n）。

STORED BY后接参数还支持ORC、PARQUET、SEQUENCEFILE、RCFILE、AVRO和TEXTFILE 开源格式外部表，如下所示。对于textFile可以指定序列化类，例如org.apache.hive.hcatalog.data.JsonSerDe。

org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe -> stored as textfile
org.apache.hadoop.hive.ql.io.orc.OrcSerde -> stored as orc
org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe -> stored as parquet
org.apache.hadoop.hive.serde2.avro.AvroSerDe -> stored as avro
org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe -> stored as sequencefile

对于开源格式外部表，建表语句如下。

  CREATE EXTERNAL TABLE [IF NOT EXISTS] (<column schemas>)
  [PARTITIONED BY (partition column schemas)]
  [ROW FORMAT SERDE '']
  STORED AS 
  [WITH SERDEPROPERTIES ( 'odps.properties.rolearn'='${roleran}'
  [,'name2'='value2',...]
  ) ]
  LOCATION 'oss://${endpoint}/${bucket}/${userfilePath}/';

SERDEPROPERTIES序列化属性列表如下所示。

属性名	属性值	默认值	描述
odps.text.option.gzip.input.enabled	true/false	false	打开或关闭读压缩
odps.text.option.gzip.output.enabled	true/false	false	打开或关闭写压缩
odps.text.option.header.lines.count	非负整数	0	跳过文本文件头N行
odps.text.option.null.indicator	字符串	空字符串	在解析或者写出NULL值时，代表NULL的字符串
odps.text.option.ignore.empty.lines	true/false	true	是否忽略空行
odps.text.option.encoding	UTF-8/UTF-16/US-ASCII	UTF-8	指定文本的字符编码

说明

MaxCompute目前仅支持通过内置extractor读取OSS上gzip压缩的CSV或TSV数据，您可以选择文件是否是gzip压缩，不同的文件格式对应不同的属性设置。

LOCATION参数，格式为：oss://oss-cn-shanghai-internal.aliyuncs.com/Bucket名称/目录名称。您可以通过图形对话框选择获得OSS目录地址，目录后无需加文件名称。

DDL模式创建的表会出现在表管理的表节点树下，可以通过修改其一级、二级主题来调整显示位置。

OTS外部表
OTS外部表建表语句如下。
```
CREATE EXTERNAL TABLE IF NOT EXISTS ots_table_external(
odps_orderkey bigint,
odps_orderdate string,
odps_custkey bigint,
odps_orderstatus string,
odps_totalprice double
)
STORED BY 'com.aliyun.odps.TableStoreStorageHandler' 
WITH SERDEPROPERTIES (
'tablestore.columns.mapping'=':o_orderkey,:o_orderdate,o_custkey, o_orderstatus,o_totalprice', -- (3)
'tablestore.table.name'='ots_tpch_orders'
'odps.properties.rolearn'='acs:ram::xxxxx:role/aliyunodpsdefaultrole'
)
LOCATION 'tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com'; 
```
参数说明如下：
- com.aliyun.odps.TableStoreStorageHandler是MaxCompute内置的处理TableStore数据的StorageHandler。
- SERDEPROPERTIES是提供参数选项的接口，在使用TableStoreStorageHandler时，有两个必须指定的选项：tablestore.columns.mapping和 tablestore.table.name。
  - tablestore.columns.mapping：必选项，用来描述MaxCompute将访问的Table Store表的列，包括主键和属性以（:）打头的用来表示Table Store主键，例如此语句中的:o_orderkey和:o_orderdate，其它均为属性列。
    Table Store支持1~4个主键，主键类型为STRING、INTEGER和BINARY，其中第一个主键为分区键。指定映射时，您必须提供指定Table Store表的所有主键，对于属性列则没有必要全部提供，可以只提供需要通过MaxCompute来访问的属性列。
  - tablestore.table.name：需要访问的Table Store表名。如果指定的Table Store表名错误（不存在），则会报错， MaxCompute不会主动去创建Table Store表。
- LOCATION：用来指定Table Storeinstance名字、endpoint等具体信息。

图形化建表

进入数据开发页面，参见创建并使用MaxCompute表进行图形化建表。外部表具有如下属性：

基本属性
- 英文表名（在新建表时输入）
- 中文表名
- 一级、二级主题
- 描述
物理模型设计
- 表类型：请选择为外部表。
- 分区类型：OTS类型外部表不支持分区。
- 选择存储地址：即LOCATION参数。您可以在物理模型设计栏中设置LOCATION参数。单击点击选择，即可选择存储地址。选择完成后，单击一键授权。
- 选择存储格式：根据业务需求进行选择，支持CSV、TSV、ORC、PARQUET、SEQUENCEFILE、RCFILE、AVRO、TEXTFILE和自定义文件格式。如果您选择了自定义文件格式，需要选择自定义的资源。在提交资源时，可以自动解析出其包含的类名并可以供用户选取。
- rolearn：如果STS已授权，可以不填写。

表结构设计

参数	描述
字段类型	MaxCompute 2.0支持TINYINT、SMALLINT、INT、BIGINT、VARCHAR和STRING类型。
操作	支持新增、修改和删除。
长度/设置	对于VARCHAR类型，可以支持设置长度。对于复杂类型可以直接填写复杂类型的定义。

支持的字段类型

外部表支持的简单字段类型如下表所示。

类型	是否新增	格式举例	描述
TINYINT	是	1Y，-127Y	8位有符号整型，范围为-128~127。
SMALLINT	是	32767S， -100S	16位有符号整型，范围为-32,768~32,767。
INT	是	1000，-15645787	32位有符号整型，范围为-2^³¹~2^³¹-1。
BIGINT	否	100000000000L， -1L	64位有符号整型，范围为-2^⁶³+1~2^⁶³-1。
FLOAT	是	无	32位二进制浮点型。
DOUBLE	否	3.1415926 1E+7	8字节双精度浮点数，64位二进制浮点型。
DECIMAL	否	3.5BD，99999999999.9999999BD	10进制精确数字类型，整型部分范围为-1,036+1~1,036-1，小数部分精确到10~18。
VARCHAR(n)	是	无	变长字符类型，n为长度，取值范围为1~65,535。
STRING	否	“abc”，’bcd’，”alibaba”	字符串类型，目前长度限制为8MB。
BINARY	是	无	二进制数据类型，目前长度限制为8MB。
DATETIME	否	DATETIME ‘2017-11-11 00:00:00’	日期时间类型，使用东八区时间作为系统标准时间。范围0000年1月1日~9999年12月31日，精确到毫秒。
TIMESTAMP	是	TIMESTAMP ‘2017-11-11 00:00:00.123456789’	与时区无关的时间戳类型，范围为0000年1月1日~9999年12月31日23.59:59.999,999,999，精确到纳秒。
BOOLEAN	否	包括TRUE和FALSE	BOOLEAN类型，取值TRUE或FALSE。

外部表支持的复杂字段类型如下表所示。

类型	定义方法	构造方法
ARRAY	array< int >; array< struct< a:int, b:string >>	array(1, 2, 3); array(array(1, 2); array(3, 4))
MAP	map< string, string >; map< smallint, array< string>>	map(“k1”, “v1”, “k2”, “v2”); map(1S, array(‘a’, ‘b’), 2S, array(‘x’, ‘y))
STRUCT	struct< x:int, y:int>; struct< field1:bigint, field2:array< int>, field3:map< int, int>>	named_struct(‘x’, 1, ‘y’, 2); named_struct(‘field1’, 100L, ‘field2’, array(1, 2), ‘field3’, map(1, 100, 2, 200))

如果需要使用MaxCompute 2.0支持的新数据类型（TINYINT、SMALLINT、 INT、 FLOAT、VARCHAR、TIMESTAMP 、BINARY或复杂类型），需要在建表语句前加上语句set odps.sql.type.system.odps2=true;，set语句和建表语句一起提交执行。如果需要兼容HIVE，建议加上语句odps.sql.hive.compatible=true;。

查看和处理外部表

您可以在数据开发页面，单击左侧导航栏中的表管理，查询外部表，详情请参见表管理。处理外部表的方式与内部表基本一致。