MaxCompute访问TableStore(OTS) 数据 http大数据
程序员文章站
2024-02-01 20:20:28
...
摘要： MaxCompute作为阿里云大数据平台的核心计算组件，承担了集团内外大部分的分布式计算需求。
免费开通大数据服务：https://www.aliyun.com/product/odps
前言
MaxCompute作为阿里云大数据平台的核心计算组件，承担了集团内外大部分的分布式计算需求。而MaxCompute SQL作为分布式数据处理的主要入口，为快速方便处理/存储EB级别的离线数据提供了强有力的支持。 随着大数据业务的不断扩展，新的数据使用场景在不断产生，在这样的背景下，MaxCompute计算框架也在不断的演化，原来主要面对内部特殊格式数据的强大计算能力，也正在一步步的开放给不同的外部数据。 之前我们介绍了怎样在MaxCompute上处理存储在OSS上面的非结构化数据，在这里我们将进一步介绍如何将来自TableStore(OTS)的数据纳入MaxCompute上的计算生态，实现多种数据源之间的无缝连接。
对于在线服务等应用场景，NoSQL KV Store（e.g., BigTable, HBase）相比传统数据库，具有schema灵活，易扩展，实时性强等优点。阿里云TableStore(OTS) 是在阿里飞天分布式系统之上实现的大规模的NoSQL数据存储服务，提供海量KV数据的存储和实时访问。 在集团内部各BU以及外部阿里云生态圈中具有广泛的应用。 尤其是TableStore在行级别上的实时更新和可覆盖性写入等特性，相对于MaxCompute内置表append-only批量操作，提供了一个很好的补充。 但是TableStore作为一个偏存储的服务，对于存储在其上的海量数据，在大规模批量并行处理的计算能力有所欠缺。 在这样的背景下，打通MaxCompute的计算和TableStore存储之间的数据链路就显得尤其重要。
1. MaxCompute对TableStore数据进行读取和计算
1.0 使用前提和假设
1.0.1 MaxCompute 2.0计算框架非结构化功能的打开
首先要说明的是MaxCompute新一代的2.0计算框架还在灰度上线的过程中，默认设置下许多功能没有打开，所以要使用新引进的非结构化数据处理框架，需要申请MaxCompute 2.0试用，具体开通使用方法请参见 如何申请试用MaxCompute 2.0, 简单来说就是在开通2.0非结构化功能的前提下，在每个SQL query执行时必须带上如下setting:
set odps.task.major.version=2dot0_demo_flighting;
set odps.sql.planner.mode=lot;
set odps.sql.ddl.odps2=true;
set odps.sql.preparse.odps2=lot;
下面的范例中就不再重复了，但是本文介绍的所有功能均基于以上假设，当然这些特殊设置在2.0计算框架完全上线后就可以省略了。
1.0.2 TabelStore基本概念以及网络连通性
如果对于TableStore不熟悉或者对于整个KV table的概念比较陌生同学，可以通过TableStore的文档来先了解一些基本概念（比如主键，分区键，属性列等），这里的讨论不对这些基本概念做深入的解释和探讨。 同时对于MaxCompute非结构化框架的整体介绍可以参见之前在MaxCompute上处理存储在OSS上面的非结构化数据的介绍文章，包括External Table, StorageHandler的概念以及SERDEPROPERTIES的使用等。
MaxCompute与TableStore是两个独立的大数据计算以及大数据存储服务，所以两者之间的网络必须保证连通性。 对于MaxCompute公共云服务访问TableStore存储，推荐使用TableStore私网地址，也就是host名以ots-internal.aliyuncs.com作为结尾的地址，例如tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com。
1.0.3 TabelStore类型与MaxCompute类型的对应
TableStore与MaxCompute都有其自身的类型系统。 在MaxCompute处理TableStore数据的时候，两者之间的类型对应关系如下：
MaxCompute Type TableStore Type
STRING STRING
BIGINT INT
DOUBLE DOUBLE
BINARY* BLOB
*其中要特别说明的是， 对于MaxCompute而言，BINARY类型是在新的2.0类型系统中引进的，所以如果有需要使用到BINARY类型的时候，除了上文1.0.1 里面提到的设置之外，还需要额外添加一个设置才能生效:
set odps.sql.type.system.odps2=true;
1.1 使用STS/RAM的方式访问TableStore数据
需要首先指出的是，MaxCompute计算服务要访问TableStore数据需要有一个安全的授权通道。 在这个问题上，MaxCompute结合了阿里云的访问控制服务（RAM）和令牌服务（STS）来实现对数据的安全反问：
首先需要在RAM中授权MaxCompute访问OSS的权限。登录RAM控制台，创建角色AliyunODPSDefaultRole，并将策略内容设置为：
{
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"odps.aliyuncs.com"
]
}
}
],
"Version": "1"
}
然后编辑该角色的授权策略，将权限AliyunODPSRolePolicy授权给该角色。
如果觉得这些步骤太麻烦，还可以登录阿里云账号点击此处完成一键授权。
1.2 创建External Table 关联MaxCompute与TableStore
与处理OSS数据的使用方法类似，MaxCompute通过EXTERNAL TABLE的方式来对接TableStore的数据：用户通过一个CREATE EXTERNAL TABLE的DDL语句，把对TableStore表数据的描述引入到MaxCompute的meta系统内部后，即可如同使用一个普通TABLE一样来实现对TableStore数据的处理。 这里先提供一个最简单的使用范例，并且通过该范例来讨论ODPS对接TableStore的一些概念和实现。
DROP TABLE IF EXISTS ots_table_external;
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' -- (1)
WITH SERDEPROPERTIES ( -- (2)
'tablestore.columns.mapping'=':o_orderkey,
_orderdate, o_custkey, o_orderstatus，o_totalprice', -- (3)
'tablestore.table.name'='ots_tpch_orders' -- (4)
)
LOCATION 'tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com'; -- (5)
这个DDL语句将一个TableStore表映射到了MaxCompute的一个External Table上。 在这个基础上，后继对TableStore数据的操作可以直接通过External Table进行。 这里先对上面这个CREATE EXTERNAL TABLE的DDL语句做一些解释：
1.com.aliyun.odps.TableStoreStorageHandler 是MaxCompute内置的处理TableStore数据的StorageHandler, 定义了MaxCompute和TableStore的交互，相关逻辑由MaxCompute实现。
2.SERDEPROPERITES可以理解成提供参数选项的接口，在使用TableStoreStorageHandler时，有两个必须指定的选项，分别是下面介绍的tablestore.columns.mapping和tablestore.table.name。 更多的可选选项将在后面其他例子中提及。
3.tablestore.columns.mapping选项：必需选项，用来描述对需要MaxCompute将访问的TableStore表的列，包括主键和属性列。 这其中以:打头的用来表示TableStore主键，例如这个例子中的:o_orderkey和:o_orderdate。 其他的均为属性列。 TableStore支持最少1个，最多4个主键，主键类型为bigint或string，其中第一个主键为分区键。 在指定映射的时候，用户必须提供指定TableStore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。
4.tablestore.table.name：需要访问的TableStore表名。 如果指定的TableStore表名错误（不存在），则会报错，MaxCompute不会主动去创建TableStore表。
5.LOCATION clause用来指定TableStore的具体信息，包括instance名字，endpoint等。 值得注意的是这里对TableStore数据的安全访问是建立在前文介绍的RAM/STS授权的前提上的。
1.3 通过External Table访问TableStore数据进行计算
在用上述DDL创建出External Table之后，TableStore的数据就引入到了MaxCompute的生态中，我们现在就可以通过正常的MaxCompute SQL语法来访问TableStore数据了，比如：
SELECT odps_orderkey, odps_orderdate, SUM(odps_totalprice) AS sum_total
FROM ots_table_external
WHERE odps_orderkey > 5000 AND odps_orderkey < 7000 AND odps_orderdate >= '1996-05-03' AND odps_orderdate < '1997-05-01'
GROUP BY odps_orderkey, odps_orderdate
HAVING sum_total> 400000.0;
可以看到，在上面的这个例子，直接使用的就是我们所熟悉的MaxCompute SQL语法，访问TableStore的所有细节由MaxCompute内部处理。 这包括在列名的选择上：可以看到，在这个SQL里面，使用的列名是odps_orderkey，odps_totalprice等，而不是原始TableStore里面的主键名o_orderkey或属性列名o_totalprice了，因为我们在创建External Table的DDL语句里，已经做了对应的mapping。 当然因为具体的mapping是每个用户可以自己控制的，所以如果在创建External Table的时候保留原始的TableStore主键/列名也是可以的。
在底层的实现上，MaxCompute框架针对TableStore数据的存储特点做了各种优化，包括并发读取，SQL语句的filtering操作转义等。 举个例子，有filtering操作（比如上面的WHERE语句）时，MaxCompute会判断filtering key是否为TableStore表格的主键，来决定如何用TableStore的GetRange API来读取最小量数据，而不是无条件读取全量数据读到MaxCompute计算节点再做过滤操作。 当然这些实现的优化用户均无需感知，由MaxCompute计算框架负责来提供高效的实现。
另外如果需要对一份数据做多次计算，相较每次从TableStore去远程读数据，一个更高效的办法是先一次性把需要的数据导入到MaxCompute内部成为一个MaxCompute（内部）表，比如：
CREATE TABLE internal_orders AS
SELECT odps_orderkey, odps_orderdate, odps_custkey, odps_totalprice
FROM ots_table_external
WHERE odps_orderkey > 5000 ;
现在internal_orders就是一个我们熟悉的MaxCompute表了，也拥有所有MaxCompute内部表的特性：包括高效的压缩列存储数据格式，完整的内部宏数据以及统计信息等。 同时因为存储在MaxCompute内部，访问速度会比访问外部的TableStore更快，尤其适用于需要进行多次计算的热点数据。
2. 数据从MaxCompute写出到TableStore
打通MaxCompute和TableStore的数据生态，除了将TableStore作为批量数据处理的数据来源以外，一个另外的重要场景是将MaxCompute的数据处理结果输出到TableStore，利用TableStore可实时更新和可单行覆盖等特点，迅速的将离线计算的结果反馈给在线应用。 这种对TableStore的数据输出可以使用MaxCompute SQL的INSERT OVERWRITE来实现。
需要再次强调的是，MaxCompute不会主动创建外部的TableStore表，所以在对TableStore表进行数据输出之前，必须保证该表已经在TableStore上创建过(否则将报错)。 这样的设计是因为TableStore建表的过程可能涉及到CU的设置，计费，数据生命周期等一系列选项，这些必须由数据的所有者来决定： MaxCompute不拥有这些外部数据，也无法做出这些选择。
紧接上面的例子，假设我们已经使用上面的DDL语句创建了ots_table_external这个外部表来打通MaxCompute与TableStoreb数据表ots_tpch_orders的链路， 而且我们还有一份存储在在MaxCompute内部有一个名为internal_orders的数据，现在希望对internal_orders中的数据进行一定处理后再写回TableStore上，那么可以直接通过对外部表做INSERT OVERWITE TABLE的操作来实现：
INSERT OVERWRITE TABLE ots_table_external
SELECT odps_orderkey, odps_orderdate, odps_custkey, CONCAT(odps_custkey, 'SHIPPED'), CEIL(odps_totalprice)
FROM internal_orders;
在这里对表中的数据做了一些处理，并且把经过处理过的数据重新写回到了TableStore里。 对于TableStore这种KV数据的NoSQL存储介质，从MaxCompute的输出将只影响相对应主键所在的行：在上面这个例子中也就是只影响所有 odps_orderkey + odps_orderdate 这两个主键值能对应行上的数据。 而且在这些TabeleStore行上面，也只会去更新在创建External Table (ots_table_external)时指定的属性列，而不会去修改未在External Table里面出现的数据列。 关于MaxCompute外部表和TableStore表的对应关系，下文会更系统的介绍。
3. 技术细节以及高级用法
从本质上来看MaxCompute表是严格结构化的数据表，要求所有的行均遵从严格一致的schema，而TableStore的表中存储的是NoSQL的“半结构化”K-V数据。这些基本数据格式上的区别决定了在两个系统的交互过程中，行为会有一些区别。 同时MaxCompute作为一个分布式计算系统，读写TableStore通过并发执行来实现，这就需要对TableStore的数据有一个切割的机制。 在默认情况下，MaxCompute会提供一个系统认为最合适的处理方法，来实现对TableStore数据的访问和计算，而这些实现也能满足绝大部分用户的需求。 但是与此同时，为了满足一些对系统比较熟悉的高级用户的特殊需求，MaxCompute也提供了更多的可配置选项，这里做一些介绍。
3.1 MaxCompute外表与TableStore数据表的对应关系
MaxCompute外表与TableStore数据表是多对一(N:1)的关系。 也就是说可以有多个MaxCompute外表（External Table）来描述一张TableStore表。 这里的N:1是两个维度上的：
不同的MaxCompute外表可以描述一张TableStore表的不同属性列子集，比如如果在TableStore的一个表有3个主键列，(up to)20个属性列，那么通过MaxComptue的外表，主键必须提供完备，但是属性列则不必，比如可以只提供一个属性列，那么通过MaxCompute外表进行的所有操作，都只会基于主键和所提供的属性列上的数据。
不同的MaxCompute外表可以描述一张TableStore表的不同range，在本文的例子里都是一个外表对应一个TableStore表的全range，但实际使用的时候是可以通过额外选项来指定外表对应的range start和range end的， 这可以做到一个外表只映射一个TableStore表的子range。
这个功能这里不展开介绍，有需求的话可以联系MaxCompute技术团队。
3.2 MaxCompute读取TableStore数据时的并发度
TableStore是一个分布式KV数据存储系统，每个数据表都可能存储在多个后端server上，并且根据分区键进行分区，具体存储上的分区策略由TableStore决定。 目前通过MaxCompute读取TableStore数据，默认的并发度将与TableStore后端的分区数目相同。 唯一的例外是，在采用INTEGER64作为分区键，且TableStore后端的分区数目大于1时，MaxCompute会自动对并发度再做调整，在更高的并发度上读取数据。 此外TableStore自身的系统也在不断发展，以后将提供更强大的API接口给MaxCompute来使用，到时候将可以根据后端数据的大小，来准确的做出数据切割。 更准确的控制每个并发MaxCompute worker处理的数据量和计算时间。 这方面将在这些功能实现后再更新来做具体说明。
最后，如果用户对自己存储在TableStore数据有着非常好的了解，比如对于不同key range中的数据量都能做出很好的预估，MaxCompute还提供让用户自己指定并发度的选型：用户的控制甚至可以细化到指定每个worker应该处理哪个range的数据。 有这个需求的用户可以联系MaxCompute技术团队。
3.3 MaxCompute写出TableStore数据时的并发度
在将MaxCompute内部数据写出到TableStore时，并发度由MaxCompute根据数据量自动进行控制。 当然用户也可以手动调节SQL执行过程中的mapper/reducer数目来调整并发度。 但是绝大部分情况下， MaxCompute本身适配的并发度都是比较合理的，一般不建议自己手工设置mapper/reducer数目。 另外，在一些场景上，MaxCompute计算服务与TableStore存储服务之间会存在着需要适配的情况。一般来说MaxCompute可以调度起计算节点都比较充裕，而大量计算节点同时往TableStore写出数据时可能会打满网络。 这种情况下单纯调高MaxCompute计算节点数目来并发写出数据，并不会带来额外的提速。 所以在特别大的规模上，用户最好能提前和TableStore服务沟通，以保证TableStore能提供足够的吞吐量满足需求。
3.4 MaxCompute访问TableStore的网络连通性
因为MaxCompute与TableStore是两个分开的云服务，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TableStore的数据的可达性。 关于TableStore的节点，实例，服务地址等概念，可以参见TableStore相关介绍。 如同上文介绍的，在MaxCompute公共云服务访问TableStore存储，推荐使用TableStore私网地址（即以ots-internal.aliyuncs.com结尾的host地址）。
4. 结语：构造大数据生态
随着MaxCompute非结构化数据处理框架的上线，MaxCompute开放了处理外部数据的接口，包括之前介绍的访问OSS数据，以及本文描述的访问TableStore数据。 我们希望借此来实现整个阿里云计算与数据的生态融合： 在不同的项目上，我们已经看到了在MaxCompute上处理OSS上的海量视频，图像等非结构化数据的巨大潜力。 随着TableStore数据支持的加入，期待计算和更多数据的碰撞能打通更多的应用场景，让OSS数据，TableStore数据以及MaxCompute内部存储的数据，能在MaxCompute的核心计算引擎上产生更大的价值。
原文链接：http://click.aliyun.com/m/45010/
免费开通大数据服务：https://www.aliyun.com/product/odps
前言
MaxCompute作为阿里云大数据平台的核心计算组件，承担了集团内外大部分的分布式计算需求。而MaxCompute SQL作为分布式数据处理的主要入口，为快速方便处理/存储EB级别的离线数据提供了强有力的支持。 随着大数据业务的不断扩展，新的数据使用场景在不断产生，在这样的背景下，MaxCompute计算框架也在不断的演化，原来主要面对内部特殊格式数据的强大计算能力，也正在一步步的开放给不同的外部数据。 之前我们介绍了怎样在MaxCompute上处理存储在OSS上面的非结构化数据，在这里我们将进一步介绍如何将来自TableStore(OTS)的数据纳入MaxCompute上的计算生态，实现多种数据源之间的无缝连接。
对于在线服务等应用场景，NoSQL KV Store（e.g., BigTable, HBase）相比传统数据库，具有schema灵活，易扩展，实时性强等优点。阿里云TableStore(OTS) 是在阿里飞天分布式系统之上实现的大规模的NoSQL数据存储服务，提供海量KV数据的存储和实时访问。 在集团内部各BU以及外部阿里云生态圈中具有广泛的应用。 尤其是TableStore在行级别上的实时更新和可覆盖性写入等特性，相对于MaxCompute内置表append-only批量操作，提供了一个很好的补充。 但是TableStore作为一个偏存储的服务，对于存储在其上的海量数据，在大规模批量并行处理的计算能力有所欠缺。 在这样的背景下，打通MaxCompute的计算和TableStore存储之间的数据链路就显得尤其重要。
1. MaxCompute对TableStore数据进行读取和计算
1.0 使用前提和假设
1.0.1 MaxCompute 2.0计算框架非结构化功能的打开
首先要说明的是MaxCompute新一代的2.0计算框架还在灰度上线的过程中，默认设置下许多功能没有打开，所以要使用新引进的非结构化数据处理框架，需要申请MaxCompute 2.0试用，具体开通使用方法请参见 如何申请试用MaxCompute 2.0, 简单来说就是在开通2.0非结构化功能的前提下，在每个SQL query执行时必须带上如下setting:
set odps.task.major.version=2dot0_demo_flighting;
set odps.sql.planner.mode=lot;
set odps.sql.ddl.odps2=true;
set odps.sql.preparse.odps2=lot;
下面的范例中就不再重复了，但是本文介绍的所有功能均基于以上假设，当然这些特殊设置在2.0计算框架完全上线后就可以省略了。
1.0.2 TabelStore基本概念以及网络连通性
如果对于TableStore不熟悉或者对于整个KV table的概念比较陌生同学，可以通过TableStore的文档来先了解一些基本概念（比如主键，分区键，属性列等），这里的讨论不对这些基本概念做深入的解释和探讨。 同时对于MaxCompute非结构化框架的整体介绍可以参见之前在MaxCompute上处理存储在OSS上面的非结构化数据的介绍文章，包括External Table, StorageHandler的概念以及SERDEPROPERTIES的使用等。
MaxCompute与TableStore是两个独立的大数据计算以及大数据存储服务，所以两者之间的网络必须保证连通性。 对于MaxCompute公共云服务访问TableStore存储，推荐使用TableStore私网地址，也就是host名以ots-internal.aliyuncs.com作为结尾的地址，例如tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com。
1.0.3 TabelStore类型与MaxCompute类型的对应
TableStore与MaxCompute都有其自身的类型系统。 在MaxCompute处理TableStore数据的时候，两者之间的类型对应关系如下：
MaxCompute Type TableStore Type
STRING STRING
BIGINT INT
DOUBLE DOUBLE
BINARY* BLOB
*其中要特别说明的是， 对于MaxCompute而言，BINARY类型是在新的2.0类型系统中引进的，所以如果有需要使用到BINARY类型的时候，除了上文1.0.1 里面提到的设置之外，还需要额外添加一个设置才能生效:
set odps.sql.type.system.odps2=true;
1.1 使用STS/RAM的方式访问TableStore数据
需要首先指出的是，MaxCompute计算服务要访问TableStore数据需要有一个安全的授权通道。 在这个问题上，MaxCompute结合了阿里云的访问控制服务（RAM）和令牌服务（STS）来实现对数据的安全反问：
首先需要在RAM中授权MaxCompute访问OSS的权限。登录RAM控制台，创建角色AliyunODPSDefaultRole，并将策略内容设置为：
{
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"odps.aliyuncs.com"
]
}
}
],
"Version": "1"
}
然后编辑该角色的授权策略，将权限AliyunODPSRolePolicy授权给该角色。
如果觉得这些步骤太麻烦，还可以登录阿里云账号点击此处完成一键授权。
1.2 创建External Table 关联MaxCompute与TableStore
与处理OSS数据的使用方法类似，MaxCompute通过EXTERNAL TABLE的方式来对接TableStore的数据：用户通过一个CREATE EXTERNAL TABLE的DDL语句，把对TableStore表数据的描述引入到MaxCompute的meta系统内部后，即可如同使用一个普通TABLE一样来实现对TableStore数据的处理。 这里先提供一个最简单的使用范例，并且通过该范例来讨论ODPS对接TableStore的一些概念和实现。
DROP TABLE IF EXISTS ots_table_external;
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' -- (1)
WITH SERDEPROPERTIES ( -- (2)
'tablestore.columns.mapping'=':o_orderkey,
'tablestore.table.name'='ots_tpch_orders' -- (4)
)
LOCATION 'tablestore://odps-ots-dev.cn-shanghai.ots-internal.aliyuncs.com'; -- (5)
这个DDL语句将一个TableStore表映射到了MaxCompute的一个External Table上。 在这个基础上，后继对TableStore数据的操作可以直接通过External Table进行。 这里先对上面这个CREATE EXTERNAL TABLE的DDL语句做一些解释：
1.com.aliyun.odps.TableStoreStorageHandler 是MaxCompute内置的处理TableStore数据的StorageHandler, 定义了MaxCompute和TableStore的交互，相关逻辑由MaxCompute实现。
2.SERDEPROPERITES可以理解成提供参数选项的接口，在使用TableStoreStorageHandler时，有两个必须指定的选项，分别是下面介绍的tablestore.columns.mapping和tablestore.table.name。 更多的可选选项将在后面其他例子中提及。
3.tablestore.columns.mapping选项：必需选项，用来描述对需要MaxCompute将访问的TableStore表的列，包括主键和属性列。 这其中以:打头的用来表示TableStore主键，例如这个例子中的:o_orderkey和:o_orderdate。 其他的均为属性列。 TableStore支持最少1个，最多4个主键，主键类型为bigint或string，其中第一个主键为分区键。 在指定映射的时候，用户必须提供指定TableStore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。
4.tablestore.table.name：需要访问的TableStore表名。 如果指定的TableStore表名错误（不存在），则会报错，MaxCompute不会主动去创建TableStore表。
5.LOCATION clause用来指定TableStore的具体信息，包括instance名字，endpoint等。 值得注意的是这里对TableStore数据的安全访问是建立在前文介绍的RAM/STS授权的前提上的。
1.3 通过External Table访问TableStore数据进行计算
在用上述DDL创建出External Table之后，TableStore的数据就引入到了MaxCompute的生态中，我们现在就可以通过正常的MaxCompute SQL语法来访问TableStore数据了，比如：
SELECT odps_orderkey, odps_orderdate, SUM(odps_totalprice) AS sum_total
FROM ots_table_external
WHERE odps_orderkey > 5000 AND odps_orderkey < 7000 AND odps_orderdate >= '1996-05-03' AND odps_orderdate < '1997-05-01'
GROUP BY odps_orderkey, odps_orderdate
HAVING sum_total> 400000.0;
可以看到，在上面的这个例子，直接使用的就是我们所熟悉的MaxCompute SQL语法，访问TableStore的所有细节由MaxCompute内部处理。 这包括在列名的选择上：可以看到，在这个SQL里面，使用的列名是odps_orderkey，odps_totalprice等，而不是原始TableStore里面的主键名o_orderkey或属性列名o_totalprice了，因为我们在创建External Table的DDL语句里，已经做了对应的mapping。 当然因为具体的mapping是每个用户可以自己控制的，所以如果在创建External Table的时候保留原始的TableStore主键/列名也是可以的。
在底层的实现上，MaxCompute框架针对TableStore数据的存储特点做了各种优化，包括并发读取，SQL语句的filtering操作转义等。 举个例子，有filtering操作（比如上面的WHERE语句）时，MaxCompute会判断filtering key是否为TableStore表格的主键，来决定如何用TableStore的GetRange API来读取最小量数据，而不是无条件读取全量数据读到MaxCompute计算节点再做过滤操作。 当然这些实现的优化用户均无需感知，由MaxCompute计算框架负责来提供高效的实现。
另外如果需要对一份数据做多次计算，相较每次从TableStore去远程读数据，一个更高效的办法是先一次性把需要的数据导入到MaxCompute内部成为一个MaxCompute（内部）表，比如：
CREATE TABLE internal_orders AS
SELECT odps_orderkey, odps_orderdate, odps_custkey, odps_totalprice
FROM ots_table_external
WHERE odps_orderkey > 5000 ;
现在internal_orders就是一个我们熟悉的MaxCompute表了，也拥有所有MaxCompute内部表的特性：包括高效的压缩列存储数据格式，完整的内部宏数据以及统计信息等。 同时因为存储在MaxCompute内部，访问速度会比访问外部的TableStore更快，尤其适用于需要进行多次计算的热点数据。
2. 数据从MaxCompute写出到TableStore
打通MaxCompute和TableStore的数据生态，除了将TableStore作为批量数据处理的数据来源以外，一个另外的重要场景是将MaxCompute的数据处理结果输出到TableStore，利用TableStore可实时更新和可单行覆盖等特点，迅速的将离线计算的结果反馈给在线应用。 这种对TableStore的数据输出可以使用MaxCompute SQL的INSERT OVERWRITE来实现。
需要再次强调的是，MaxCompute不会主动创建外部的TableStore表，所以在对TableStore表进行数据输出之前，必须保证该表已经在TableStore上创建过(否则将报错)。 这样的设计是因为TableStore建表的过程可能涉及到CU的设置，计费，数据生命周期等一系列选项，这些必须由数据的所有者来决定： MaxCompute不拥有这些外部数据，也无法做出这些选择。
紧接上面的例子，假设我们已经使用上面的DDL语句创建了ots_table_external这个外部表来打通MaxCompute与TableStoreb数据表ots_tpch_orders的链路， 而且我们还有一份存储在在MaxCompute内部有一个名为internal_orders的数据，现在希望对internal_orders中的数据进行一定处理后再写回TableStore上，那么可以直接通过对外部表做INSERT OVERWITE TABLE的操作来实现：
INSERT OVERWRITE TABLE ots_table_external
SELECT odps_orderkey, odps_orderdate, odps_custkey, CONCAT(odps_custkey, 'SHIPPED'), CEIL(odps_totalprice)
FROM internal_orders;
在这里对表中的数据做了一些处理，并且把经过处理过的数据重新写回到了TableStore里。 对于TableStore这种KV数据的NoSQL存储介质，从MaxCompute的输出将只影响相对应主键所在的行：在上面这个例子中也就是只影响所有 odps_orderkey + odps_orderdate 这两个主键值能对应行上的数据。 而且在这些TabeleStore行上面，也只会去更新在创建External Table (ots_table_external)时指定的属性列，而不会去修改未在External Table里面出现的数据列。 关于MaxCompute外部表和TableStore表的对应关系，下文会更系统的介绍。
3. 技术细节以及高级用法
从本质上来看MaxCompute表是严格结构化的数据表，要求所有的行均遵从严格一致的schema，而TableStore的表中存储的是NoSQL的“半结构化”K-V数据。这些基本数据格式上的区别决定了在两个系统的交互过程中，行为会有一些区别。 同时MaxCompute作为一个分布式计算系统，读写TableStore通过并发执行来实现，这就需要对TableStore的数据有一个切割的机制。 在默认情况下，MaxCompute会提供一个系统认为最合适的处理方法，来实现对TableStore数据的访问和计算，而这些实现也能满足绝大部分用户的需求。 但是与此同时，为了满足一些对系统比较熟悉的高级用户的特殊需求，MaxCompute也提供了更多的可配置选项，这里做一些介绍。
3.1 MaxCompute外表与TableStore数据表的对应关系
MaxCompute外表与TableStore数据表是多对一(N:1)的关系。 也就是说可以有多个MaxCompute外表（External Table）来描述一张TableStore表。 这里的N:1是两个维度上的：
不同的MaxCompute外表可以描述一张TableStore表的不同属性列子集，比如如果在TableStore的一个表有3个主键列，(up to)20个属性列，那么通过MaxComptue的外表，主键必须提供完备，但是属性列则不必，比如可以只提供一个属性列，那么通过MaxCompute外表进行的所有操作，都只会基于主键和所提供的属性列上的数据。
不同的MaxCompute外表可以描述一张TableStore表的不同range，在本文的例子里都是一个外表对应一个TableStore表的全range，但实际使用的时候是可以通过额外选项来指定外表对应的range start和range end的， 这可以做到一个外表只映射一个TableStore表的子range。
这个功能这里不展开介绍，有需求的话可以联系MaxCompute技术团队。
3.2 MaxCompute读取TableStore数据时的并发度
TableStore是一个分布式KV数据存储系统，每个数据表都可能存储在多个后端server上，并且根据分区键进行分区，具体存储上的分区策略由TableStore决定。 目前通过MaxCompute读取TableStore数据，默认的并发度将与TableStore后端的分区数目相同。 唯一的例外是，在采用INTEGER64作为分区键，且TableStore后端的分区数目大于1时，MaxCompute会自动对并发度再做调整，在更高的并发度上读取数据。 此外TableStore自身的系统也在不断发展，以后将提供更强大的API接口给MaxCompute来使用，到时候将可以根据后端数据的大小，来准确的做出数据切割。 更准确的控制每个并发MaxCompute worker处理的数据量和计算时间。 这方面将在这些功能实现后再更新来做具体说明。
最后，如果用户对自己存储在TableStore数据有着非常好的了解，比如对于不同key range中的数据量都能做出很好的预估，MaxCompute还提供让用户自己指定并发度的选型：用户的控制甚至可以细化到指定每个worker应该处理哪个range的数据。 有这个需求的用户可以联系MaxCompute技术团队。
3.3 MaxCompute写出TableStore数据时的并发度
在将MaxCompute内部数据写出到TableStore时，并发度由MaxCompute根据数据量自动进行控制。 当然用户也可以手动调节SQL执行过程中的mapper/reducer数目来调整并发度。 但是绝大部分情况下， MaxCompute本身适配的并发度都是比较合理的，一般不建议自己手工设置mapper/reducer数目。 另外，在一些场景上，MaxCompute计算服务与TableStore存储服务之间会存在着需要适配的情况。一般来说MaxCompute可以调度起计算节点都比较充裕，而大量计算节点同时往TableStore写出数据时可能会打满网络。 这种情况下单纯调高MaxCompute计算节点数目来并发写出数据，并不会带来额外的提速。 所以在特别大的规模上，用户最好能提前和TableStore服务沟通，以保证TableStore能提供足够的吞吐量满足需求。
3.4 MaxCompute访问TableStore的网络连通性
因为MaxCompute与TableStore是两个分开的云服务，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TableStore的数据的可达性。 关于TableStore的节点，实例，服务地址等概念，可以参见TableStore相关介绍。 如同上文介绍的，在MaxCompute公共云服务访问TableStore存储，推荐使用TableStore私网地址（即以ots-internal.aliyuncs.com结尾的host地址）。
4. 结语：构造大数据生态
随着MaxCompute非结构化数据处理框架的上线，MaxCompute开放了处理外部数据的接口，包括之前介绍的访问OSS数据，以及本文描述的访问TableStore数据。 我们希望借此来实现整个阿里云计算与数据的生态融合： 在不同的项目上，我们已经看到了在MaxCompute上处理OSS上的海量视频，图像等非结构化数据的巨大潜力。 随着TableStore数据支持的加入，期待计算和更多数据的碰撞能打通更多的应用场景，让OSS数据，TableStore数据以及MaxCompute内部存储的数据，能在MaxCompute的核心计算引擎上产生更大的价值。
原文链接：http://click.aliyun.com/m/45010/