PyODPS的使用

1:安装的前提条件

安装PyOPDS环境前，您的Python环境需要满足以下条件：

• setuptools 3.0或以上版本。
• requests 2.4.0或以上版本。

2:安装步骤

pip install setuptools>=3.0
pip install requests>=2.4.0
pip install greenlet>=0.4.10  # 可选，安装后能加速Tunnel上传。
pip install cython>=0.19.0  # 可选，不建议Windows用户安装。
# 执行如下命令安装PyODPS。
pip install pyodps
# 执行如下命令检查安装是否成功。
python -c "from odps import ODPS"
# 如果您使用的Python不是系统默认的Python版本，安装完PIP后，您可以执行如下命令进行Python版本切换。
/home/tops/bin/python2.7 -m pip install setuptools>=3.0

3:建议您安装以下工具，提升Tunnel上传的速度：

greenlet 0.4.10或以上版本。
cython 0.19.0或以上版本。

4:账号密码的设置

这个里面的

ACCESS_ID以及ACCESS_KEY是登陆dataworks的账号以及密码，一下图片指示中可以找到ACCESS_ID

5:代码运行pyodps的操作

from odps import ODPS
import sys

reload (sys)
#修改系统默认编码。数据中存在中文字符时需要执行此操作。
sys.setdefaultencoding('utf8')

o = ODPS(ACCESS_ID, ACCESS_KEY, DEFAULT_PROJECT, endpoint=END_POINT)

#以直接指定字段名以及字段类型的方式创建非分区表my_new_table。
table = o.create_table('my_new_table', 'num bigint, id string', if_not_exists=True)

#向非分区表my_new_table中插入数据。
records = [[111, 'aaa'],
          [222, 'bbb'],
          [333, 'ccc'],
          [444, '中文']]
o.write_table(table, records)

#读取非分区表my_new_table中的数据。
for record in o.read_table(table):
    print record[0],record[1]

#以运行SQL的方式读取表中的数据。
result = o.execute_sql('select * from my_new_table;',hints={'odps.sql.allow.fullscan': 'true'})

#读取SQL执行结果。
with result.open_reader() as reader:    
    for record in reader:            
        print record[0],record[1]

#删除表以清除资源。
table.drop()

 

⚠️：pyodps的文档地址：https://help.aliyun.com/document_detail/90444.html?spm=a2c4g.11186623.2.12.4b47692dLw87uq

6:ODPS入口

DataWorks的PyODPS节点中，将会包含一个全局变量odps或者o ，即为ODPS入口。您不需要手动定义ODPS入口。

print(o.exist_table('pyodps_iris'))

7:执行SQL

您可以在PyODPS节点中执行SQL，详情请参见执行SQL文档 。

Dataworks上默认未开启instance tunnel，即instance.open_reader默认使用Result接口（最多一万条记录）。您可以通过reader.count获取记录数。如果您需要迭代获取全部数据，则需要关闭limit限制。您可以通过下列语句在全局范围内打开Instance Tunnel并关闭limit限制。

options.tunnel.use_instance_tunnel = True
options.tunnel.limit_instance_tunnel = False  # 关闭limit限制，读取全部数据。

with instance.open_reader() as reader:
    # 通过instance tunnel可读取全部数据。

您也可以通过在open_reader上添加tunnel=True，实现仅对本次open_reader开启instance tunnel。同时，您还可以添加 limit=False，实现仅对本次关闭limit限制。

with instance.open_reader(tunnel=True, limit=False) as reader:
# 本次open_reader使用instance tunnel接口，且能读取全部数据。

说明 若您未开启instance tunnel，可能导致获取数据格式错误，解决方法请参见Python SDK。

8:DataFrame

• 执行

  在DataWorks的环境里，DataFrame的执行需要显式调用立即执行的方法（如execute，head等） 。

  from odps.df import DataFrame
  iris = DataFrame(o.get_table('pyodps_iris'))
  for record in iris[iris.sepal_width < 3].execute():  # 调用立即执行的方法，处理每条record。

  如果您需要在print时调用立即执行，需要开启options.interactive 。

  from odps import options
  from odps.df import DataFrame
  options.interactive = True  # 在开始处打开开关。
  iris = DataFrame(o.get_table('pyodps_iris'))
  print(iris.sepal_width.sum())  # print时会立即执行。

• 打印详细信息

  通过设置options.verbose选项。在DataWorks上，默认已经处于打开状态，运行过程会打印Logview等详细过程。

9:获取调度参数

与DataWorks中的SQL节点不同，为了避免影响代码，PyODPS节点不会在代码中替换 ${param_name}这样的字符串，而是在执行代码前，在全局变量中增加一个名为args的dict，调度参数可以在此获取。例如，在节点基本属性 > 参数中设置ds=${yyyymmdd}，则可以通过以下方式在代码中获取该参数。

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

说明 如果您需要获取名为ds=${yyyymmdd}的分区，则可以使用如下方法。

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

10:使用限制

• PyODPS节点底层的Python版本为2.7。
• PyODPS节点获取本地处理的数据不能超过50MB，节点运行时占用内存不能超过1G，否则节点任务会被系统中止。请避免在PyODPS任务中写额外的Python数据处理代码。
• 在DataWorks上编写代码并进行调试效率较低，为提升运行效率，建议本地安装IDE进行代码开发。
• 在DataWorks上使用PyODPS时，为了防止对DataWorks的Gate Way造成压力，对内存和CPU都有限制，该限制由DataWorks统一管理。如果您发现有Got killed报错，即表名内存使用超限，进程被中止。因此，请尽量避免本地的数据操作。通过PyODPS发起的SQL和DataFrame任务（除to_pandas外）不受此限制。
• 由于缺少matplotlib等包，如下功能可能受限：
  • DataFrame的plot函数。
  • DataFrame自定义函数需要提交到MaxCompute执行。由于Python沙箱限制，第三方库只支持所有的纯粹Python库以及Numpy，因此不能直接使用Pandas。
  • DataWorks中执行的非自定义函数代码可以使用平台预装的Numpy和Pandas。其他带有二进制代码的三方包不被支持。
• 由于兼容性原因，在DataWorks中，options.tunnel.use_instance_tunnel默认设置为False。如果需要全局开启instance tunnel，需要手动将该值设置为True。
• 由于实现的原因，Python的atexit包不被支持，请使用try-finally结构实现相关功能。