文档

创建EMR Impala节点

更新时间:

您可以创建EMR(E-MapReduce) Impala节点,对PB级大数据进行快速、实时的交互式SQL查询。

前提条件

  • 数据开发(DataStudio)中已创建业务流程。

    数据开发(DataStudio)基于业务流程对不同开发引擎进行具体开发操作,所以您创建节点前需要先新建业务流程,操作详情请参见创建业务流程

  • 已创建阿里云EMR集群,并注册EMR集群至DataWorks。

    创建EMR相关节点并开发EMR任务前,您需要先将EMR集群注册至DataWorks工作空间,操作详情请参见注册EMR集群至DataWorks

  • (可选,RAM账号需要)进行任务开发的RAM账号已被添加至对应工作空间中,并具有开发空间管理员(权限较大,谨慎添加)角色权限,添加成员的操作详情请参见为工作空间添加空间成员

  • 已购买独享调度资源组并完成资源组配置,包括绑定工作空间、网络配置等,详情请参见新增和使用独享调度资源组

使用限制

  • 仅支持使用独享调度资源组运行该类型任务。
  • DataWorks目前已不支持新绑定Hadoop类型的集群,但您之前已经绑定的Hadoop集群仍然可以继续使用。

操作步骤

  1. 进入数据开发页面。

    登录DataWorks控制台,单击左侧导航栏的数据建模与开发 > 数据开发,在下拉框中选择对应工作空间后单击进入数据开发

  2. 创建业务流程
    如果您已有业务流程,则可以忽略该步骤。
    1. 鼠标悬停至新建图标,选择新建业务流程
    2. 新建业务流程对话框,输入业务名称
    3. 单击新建
  3. 创建EMR Impala节点。

    1. 鼠标悬停至image.png图标,选择新建节点 > EMR > EMR Impala

      您也可以找到相应的业务流程,右键单击业务流程,选择新建节点 > EMR > EMR Impala

    2. 新建节点对话框中,输入名称,并选择引擎实例节点类型路径

      说明

      节点名称必须是大小写字母、中文、数字、下划线(_)和小数点(.),且不能超过128个字符。

    3. 单击确认,进入EMR Impala节点编辑页面。

  4. 使用EMR Impala节点进行数据开发。

    1. 选择资源组。
      在工具栏单击高级运行图标,在参数对话框选择已创建的调度资源组。
      说明
      • 访问公共网络或VPC网络环境的数据源需要使用与数据源测试连通性成功的调度资源组。详情请参见配置资源组与网络连通
      • 如果您后续执行任务需要修改使用的资源组,您可单击带参运行高级运行图标,选择需要更换的调度资源组。
    2. 使用SQL语句创建任务。

      在SQL编辑区域输入任务代码,示例如下。

      show tables;
      CREATE TABLE IF NOT EXISTS userinfo (
      ip STRING COMMENT'ip地址',
      uid STRING COMMENT'用户ID'
      )PARTITIONED BY(
      dt STRING
      ); 
      ALTER TABLE userinfo ADD IF NOT EXISTS PARTITION(dt='${bizdate}'); //可以结合调度参数使用。
      select * from userinfo ;
      说明
      • SQL语句最大不能超过130KB。

      • 使用EMR Impala节点查询数据时,返回的查询结果最大支持10000条数据,并且数据总量不能超过10M。

      • 如果您的工作空间绑定多个EMR引擎,则需要根据业务需求选择合适的引擎。如果仅绑定一个EMR引擎,则无需选择。

      如果您需要修改代码中的参数赋值,请单击界面上方工具栏的高级运行。参数赋值逻辑详情请参见运行,高级运行和开发环境冒烟测试赋值逻辑有什么区别

      说明

      调度参数使用详情,请参考调度参数支持的格式

    3. 保存并运行SQL语句。
      在工具栏,单击保存图标,保存编写的SQL语句,单击运行图标,运行创建的SQL任务。
  5. 编辑高级设置

    对于任务的相关参数配置,请参考Spark Configuration

    集群类型

    高级参数

    DataLake集群(新版数据湖)【EMR on ECS】Custom集群(自定义集群)【EMR on ECS】

    • “FLOW_SKIP_SQL_ANALYZE”:SQL语句执行方式。取值如下:

      • true:表示每次执行多条SQL语句。

      • false:表示每次执行一条SQL语句。

    • “DATAWORKS_SESSION_DISABLE”:适用于开发环境直接测试运行场景。取值如下:

      • true:表示每次运行SQL语句都会新建一个JDBC Connection。

      • false:表示用户在一个节点里运行不同的SQL语句时会复用同一个JDBC Connection。

      默认值为false

    Hadoop集群(数据湖)【EMR on ECS】

    • “FLOW_SKIP_SQL_ANALYZE”:SQL语句执行方式。取值如下:

      • true:表示每次执行多条SQL语句。

      • false:表示每次执行一条SQL语句。

    • “USE_GATEWAY”:设置本节点提交作业时,是否通过Gateway集群提交。取值如下:

      • true:通过Gateway集群提交。

      • false:不通过Gateway集群提交,默认提交到header节点。

    说明

    如果本节点所在的集群未关联Gateway集群,此处手动设置参数取值为true时,后续提交EMR作业时会失败。

  6. 任务调度配置。
    如果您需要周期性执行创建的节点任务,可以单击节点编辑页面右侧的调度配置,根据业务需求配置该节点任务的调度信息:
  7. 提交并发布节点任务。
    1. 单击工具栏中的保存图标,保存节点。
    2. 单击工具栏中的提交图标,提交节点任务。
    3. 提交新版本对话框中,输入变更描述
    4. 单击确定
    如果您使用的是标准模式的工作空间,任务提交成功后,需要将任务发布至生产环境进行发布。请单击顶部菜单栏左侧的任务发布。具体操作请参见发布任务
  8. 查看周期调度任务。
    1. 单击编辑界面右上角的运维,进入生产环境运维中心。
    2. 查看运行的周期调度任务,详情请参见查看并管理周期任务
    如果您需要查看更多周期调度任务详情,可单击顶部菜单栏的运维中心,详情请参见运维中心概述

  • 本页导读 (1)
文档反馈