如何让Hadoop接受带有复合WHERE子句的SAS传递查询?

时间:2017-08-02 19:54:30

标签: hadoop sas where-clause pass-through

我试图通过在内部(Hadoop端)WHERE子句中发送附加条件,将传递查询的结果SAS数据集(即使用PROC SQL,而不是LIBNAME)缩小到Hadoop。

例如,有效的代码如下所示(之前定义了 dtpart 宏变量,以便向下选择HDFS中的单个分区):

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="&uid" pw="&passwd" schema=default );
   create table work.creative_lkup as
   select 
      advertiser_id,
      creative_id,
      creative,
      rendering_id,
      creative_type, 
      input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
       `advertiser id` as advertiser_id,
       `creative id` as creative_id,
       creative,
       `rendering id` as rendering_id,
       `creative type` as creative_type
      from default.match_table_creatives 
      where date_partition = "&dtpart." 
   ) 
   WHERE advertiser_id = '12345';
disconnect from hadoop;
quit;

注意:正如您所看到的,Hadoop中的字段名称不是SAS标准(因此包含空格的名称的后面的标记),对于某些表,字段和表名称变得非常冗长。这使得简单地为我的Hadoop连接使用LIBNAME语句是不切实际的,因此我必须使用CONNECT TO在PROC SQL中使用传递查询。

我想做的是将传递中的“WHERE advertiser_id ='12345'”部分移到Hadoop中。像这样:

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="&uid" pw="&passwd" schema=default );
   create table work.creative_lkup as
   select 
      advertiser_id,
      creative_id,
      creative,
      rendering_id,
      creative_type, 
      input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
       `advertiser id` as advertiser_id,
       `creative id` as creative_id,
       creative,
       `rendering id` as rendering_id,
       `creative type` as creative_type
      from default.match_table_creatives 
      where date_partition = "&dtpart." 
         and `advertiser id` = '12345'
   );
disconnect from hadoop;
quit;

不幸的是,当我这样做时,我从Hadoop传回SAS时得到了一个很好的模糊错误:

ERROR: Prepare error: Error while processing statement: FAILED: Execution Error, return code 1 from 
   org.apache.hadoop.hive.ql.exec.mr.MapRedTask

我的问题是:是否有任何设置,选项或其他项目可以包含在我的PROC SQL语句中以便允许正确使用WHERE子句?

看起来问题只发生在WHERE子句中有AND时。我已经阅读了一些关于SPDE的内容(ACCELWHERE =选项看起来很有前途),但我不知道如何在PROC SQL中使用这些选项,我在网上找到的参考资料似乎只指向在LIBNAME声明。

谢谢。

1 个答案:

答案 0 :(得分:1)

看来问题是连接字符串中指定的用户(保存在SAS宏变量& uid中)实际上并不存在于Hadoop中。

宏变量& uid保存通用userID的名称(DEV和PROD环境的不同名称 - 因此需要宏变量)。假设用户存在于Hadoop中,因为我能够使用此userID从SAS连接到Hadoop并通过简单查询检索记录。

显然,事实并非如此。

如果Hadoop环境中没有用户,则HDFS中没有主文件夹。我们的Hadoop设置仍然会处理“简单”查询(即,没有字段转换;只有WHERE条件可以对分区字段;没有连接;等等),因为不需要构建MapReducer任务来从底层获取数据HDFS中的平面文件。仅当存在其他WHERE条件(即,除分区字段之外)时才需要创建MapReducer任务。任务 - 以及任务所需的任何临时文件 - 都在运行查询的用户的主文件夹中创建。由于此用户不存在主文件夹,因此MapReducer对象会抛出错误(尽管没有在Hive中生成日志文件,因为无处生成日志文件甚至是创建此类文件的任务)。 / p>

它甚至允许在没有有效用户ID的情况下选择数据,这很愚蠢,但那是我们当前的设置。

因此,为了测试这个理论,我运行了以下代码(注意:我使用了我的用户名而不是宏变量)。

proc sql;
connect to hadoop (server="&srvid" port=10000 user="myuserid" pw="unnecessary" schema=default);
  create table work.creative_lkup2 as
  select 
     advertiser_id,
     creative_id,
     creative,
     rendering_id,
     creative_type, 
     input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
  from connection to hadoop (
select
      c.`advertiser id` as advertiser_id,
      c.`creative id` as creative_id,
      c.creative,
      c.`rendering id` as rendering_id,
      c.`creative type` as creative_type
from default.match_table_creatives c
where c.date_partition = "&dtpart." and c.`advertiser id` = "12345" 
   );
disconnect from hadoop;
quit;

这返回约。 80k记录(10秒的CPU时间,但由于来自AWS的IO,花了将近10分钟)。

感谢所有观看此问题并作出回应的人,我想提供一些可能对您有所帮助的额外教训:

由于Hadoop中的字段都被定义为String,因此SAS必须假设字段是最长的字符长度:32,767。因此,数据量(主要是空白)过多,导致传输速度变慢。

我们提出的解决方法涉及使用EXECUTE(...)AS HADOOP语句来创建和填充临时表,该临时表具有正确大小的VARCHAR字段(已经下调到我们想要的数据),然后我们将其摄取进入SAS。

proc sql;
   connect to hadoop (server="&srvid" port=10000 user="myuserid" pw="doesnt_matter" schema=default);
   execute (
      create table if not exists default.test_lkup_cre (
               advertiser_id Varchar(10),
               creative_id Varchar(10),
               creative Varchar(200),
               rendering_id Varchar(10),
               creative_type Varchar(16)
   )
) by hadoop;
   execute (
      insert into table default.test_lkup_cre
         select
               c.`advertiser id` as advertiser_id,
               c.`creative id` as creative_id,
               c.creative,
               c.`rendering id` as rendering_id,
               c.`creative type` as creative_type
         from default.match_table_creatives c
         where c.date_partition = "&dtpart." and c.`advertiser id` = "12345"
) by hadoop;
   create table work.creative_lkup3 as
   select 
     advertiser_id,
     creative_id,
     creative,
     rendering_id,
     creative_type, 
     input("&dtpart.", yymmdd10.) as last_updt_dt format=mmddyy10.
   from connection to hadoop (
      select
        advertiser_id,
        creative_id,
        creative,
        rendering_id,
        creative_type
      from default.test_lkup_cre
   );
   disconnect from hadoop;
quit;

这只用了46秒就返回了相同的~80k记录。

希望这也可以帮助其他人。