如何使用Data Lake Analytics + OSS分析CSV格式的TPC-H数据集

如何使用Data Lake Analytics + OSS分析CSV格式的TPC-H数据集，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

1. 开通Data Lake Analytics与OSS服务

如果您已经开通，可以跳过该步骤。如果没有开通，可以参考：https://help.aliyun.com/document_detail/70386.html
进行产品开通服务申请。

2. 下载TPC-H测试数据集

可以从这下载TPC-H 100MB的数据集：
https://public-datasets-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/tpch_100m_data.zip

3. 上传数据文件到OSS

登录阿里云官网的OSS控制台：https://oss.console.aliyun.com/overview
规划您要使用的OSS bucket，创建或选择好后，点击“文件管理”，因为有8个数据文件，为每个数据文件创建对应的文件目录：

创建好8个目录如下：

点击进入目录，上传相应的数据文件，例如，customer目录，则上传customer.tbl文件。

上传好后，如下图。然后，依次把其他7个数据文件也上传到对应的目录下。

至此，8个数据文件都上传到了您的OSS bucket中：

oss://xxx/tpch_100m/customer/customer.tbloss://xxx/tpch_100m/lineitem/lineitem.tbloss://xxx/tpch_100m/nation/nation.tbloss://xxx/tpch_100m/orders/orders.tbloss://xxx/tpch_100m/part/part.tbloss://xxx/tpch_100m/partsupp/partsupp.tbloss://xxx/tpch_100m/region/region.tbloss://xxx/tpch_100m/supplier/supplier.tbl

4. 登录Data Lake Analytics控制台

https://openanalytics.console.aliyun.com/
点击“登录数据库”，输入开通服务时分配的用户名和密码，登录Data Lake Analytics控制台。

5. 创建Schema和Table

输入创建SCHEMA的语句，点击“同步执行”。

CREATE SCHEMA tpch_100m with DBPROPERTIES(
  LOCATION = 'oss://test-bucket-julian-1/tpch_100m/',  catalog='oss');

（注意：目前在同一个阿里云region，Data Lake Analytics的schema名全局唯一，建议schema名尽量根据业务定义，已有重名schema，在创建时会提示报错，则请换一个schema名字。）

Schema创建好后，在“数据库”的下拉框中，选择刚刚创建的schema。然后在SQL文本框中输入建表语句，点击同步执行。
建表语句语法参考：https://help.aliyun.com/document_detail/72006.html

TPC-H对应的8个表的建表语句如下，分别贴入文档框中执行（LOCATION子句中的数据文件位置请根据您的实际OSS bucket目录相应修改）。（注意：目前控制台中还不支持多个SQL语句执行，请单条语句执行。）

CREATE EXTERNAL TABLE nation (
    N_NATIONKEY INT, 
    N_NAME STRING,
       N_ID STRING,
    N_REGIONKEY INT, 
    N_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/nation';CREATE EXTERNAL TABLE lineitem (
    L_ORDERKEY INT, 
    L_PARTKEY INT, 
    L_SUPPKEY INT, 
    L_LINENUMBER INT, 
    L_QUANTITY DOUBLE, 
    L_EXTENDEDPRICE DOUBLE, 
    L_DISCOUNT DOUBLE, 
    L_TAX DOUBLE, 
    L_RETURNFLAG STRING, 
    L_LINESTATUS STRING, 
    L_SHIPDATE DATE, 
    L_COMMITDATE DATE, 
    L_RECEIPTDATE DATE, 
    L_SHIPINSTRUCT STRING, 
    L_SHIPMODE STRING, 
    L_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/lineitem';CREATE EXTERNAL TABLE orders (
    O_ORDERKEY INT, 
    O_CUSTKEY INT, 
    O_ORDERSTATUS STRING, 
    O_TOTALPRICE DOUBLE, 
    O_ORDERDATE DATE, 
    O_ORDERPRIORITY STRING, 
    O_CLERK STRING, 
    O_SHIPPRIORITY INT, 
    O_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/orders';CREATE EXTERNAL TABLE supplier (
    S_SUPPKEY INT, 
    S_NAME STRING, 
    S_ADDRESS STRING, 
    S_NATIONKEY INT, 
    S_PHONE STRING, 
    S_ACCTBAL DOUBLE, 
    S_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/supplier';CREATE EXTERNAL TABLE partsupp (
    PS_PARTKEY INT, 
    PS_SUPPKEY INT, 
    PS_AVAILQTY INT, 
    PS_SUPPLYCOST DOUBLE, 
    PS_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/partsupp';CREATE EXTERNAL TABLE customer (
    C_CUSTKEY INT, 
    C_NAME STRING, 
    C_ADDRESS STRING, 
    C_NATIONKEY INT, 
    C_PHONE STRING, 
    C_ACCTBAL DOUBLE, 
    C_MKTSEGMENT STRING, 
    C_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/customer';CREATE EXTERNAL TABLE part (
    P_PARTKEY INT, 
    P_NAME STRING, 
    P_MFGR STRING, 
    P_BRAND STRING, 
    P_TYPE STRING, 
    P_SIZE INT, 
    P_CONTAINER STRING, 
    P_RETAILPRICE DOUBLE, 
    P_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/part';CREATE EXTERNAL TABLE region (
    R_REGIONKEY INT, 
    R_NAME STRING, 
    R_COMMENT STRING) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS TEXTFILE 
LOCATION 'oss://test-bucket-julian-1/tpch_100m/region';

查看更多

建表完毕后，刷新页面，在左边导航条中能看到schema下的8张表。

6. 执行TPC-H查询

TPC-H总共22条查询，如下：
Q1:

SELECT   l_returnflag,
         l_linestatus,         Sum(l_quantity)                                       AS sum_qty,         Sum(l_extendedprice)                                  AS sum_base_price,         Sum(l_extendedprice * (1 - l_discount))               AS sum_disc_price,         Sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) AS sum_charge,         Avg(l_quantity)                                       AS avg_qty,         Avg(l_extendedprice)                                  AS avg_price,         Avg(l_discount)                                       AS avg_disc,         Count(*)                                              AS count_orderFROM     lineitemWHERE    l_shipdate <= date '1998-12-01' - INTERVAL '93' dayGROUP BY l_returnflag,
         l_linestatusORDER BY l_returnflag,
         l_linestatusLIMIT    1;

查看更多

Q2:

SELECT   s_acctbal,
         s_name,
         n_name,
         p_partkey,
         p_mfgr,
         s_address,
         s_phone,
         s_commentFROM     part,
         supplier,
         partsupp,
         nation,
         regionWHERE    p_partkey = ps_partkeyAND      s_suppkey = ps_suppkeyAND      p_size = 35AND      p_type LIKE '%NICKEL'AND      s_nationkey = n_nationkeyAND      n_regionkey = r_regionkeyAND      r_name = 'MIDDLE EAST'

查看更多

Q3:

SELECT   l_orderkey,         Sum(l_extendedprice * (1 - l_discount)) AS revenue,
         o_orderdate,
         o_shippriorityFROM     customer,
         orders,
         lineitemWHERE    c_mktsegment = 'AUTOMOBILE'AND      c_custkey = o_custkeyAND      l_orderkey = o_orderkeyAND      o_orderdate < date '1995-03-31'AND      l_shipdate >  date '1995-03-31'GROUP BY l_orderkey,
         o_orderdate,
         o_shippriorityORDER BY revenue DESC,
         o_orderdateLIMIT    10;

Q4:

SELECT   o_orderpriority,         Count(*) AS order_countFROM     orders,
         lineitemWHERE    o_orderdate >= date '1997-10-01'AND      o_orderdate <  date '1997-10-01' + INTERVAL '3' monthAND      l_orderkey = o_orderkeyAND      l_commitdate < l_receiptdateGROUP BY o_orderpriorityORDER BY o_orderpriorityLIMIT    1;

Q5:

SELECT   n_name,         Sum(l_extendedprice * (1 - l_discount)) AS revenueFROM     customer,
         orders,
         lineitem,
         supplier,
         nation,
         regionWHERE    c_custkey = o_custkeyAND      l_orderkey = o_orderkeyAND      l_suppkey = s_suppkeyAND      c_nationkey = s_nationkeyAND      s_nationkey = n_nationkeyAND      n_regionkey = r_regionkeyAND      r_name = 'ASIA'AND      o_orderdate >= date '1995-01-01'AND      o_orderdate <  date '1995-01-01' + INTERVAL '1' yearGROUP BY n_nameORDER BY revenue DESCLIMIT    1;

Q6:

SELECT sum(l_extendedprice * l_discount) AS revenueFROM lineitemWHERE l_shipdate >= date '1995-01-01'AND l_shipdate < date '1995-01-01' + interval '1' yearAND l_discount between 0.04 - 0.01 AND 0.04 + 0.01AND l_quantity < 24LIMIT 1;

Q7:

SELECT   supp_nation,
         cust_nation,
         l_year,         Sum(volume) AS revenueFROM     (                SELECT n1.n_name                          AS supp_nation,
                       n2.n_name                          AS cust_nation,                       Extract(year FROM l_shipdate)      AS l_year,
                       l_extendedprice * (1 - l_discount) AS volume                FROM   supplier,
                       lineitem,
                       orders,
                       customer,
                       nation n1,
                       nation n2                WHERE  s_suppkey = l_suppkey                AND    o_orderkey = l_orderkey                AND    c_custkey = o_custkey                AND    s_nationkey = n1.n_nationkey                AND    c_nationkey = n2.n_nationkey                AND    ( (
                                     n1.n_name = 'GERMANY'
                              AND    n2.n_name = 'INDIA')                       OR     (
                                     n1.n_name = 'INDIA'
                              AND    n2.n_name = 'GERMANY') )                AND    l_shipdate BETWEEN date '1995-01-01' AND    date '1996-12-31' ) AS shippingGROUP BY supp_nation,
         cust_nation,
         l_yearORDER BY supp_nation,
         cust_nation,
         l_yearLIMIT    1;

查看更多

Q8:

SELECT   o_year,         Sum(         CASE
                  WHEN nation = 'INDIA' THEN volume                  ELSE 0
         end) / Sum(volume) AS mkt_shareFROM     (                SELECT Extract(year FROM o_orderdate)     AS o_year,
                       l_extendedprice * (1 - l_discount) AS volume,
                       n2.n_name                          AS nation                FROM   part,
                       supplier,
                       lineitem,
                       orders,
                       customer,
                       nation n1,
                       nation n2,
                       region                WHERE  p_partkey = l_partkey                AND    s_suppkey = l_suppkey                AND    l_orderkey = o_orderkey                AND    o_custkey = c_custkey                AND    c_nationkey = n1.n_nationkey                AND    n1.n_regionkey = r_regionkey                AND    r_name = 'ASIA'
                AND    s_nationkey = n2.n_nationkey                AND    o_orderdate BETWEEN date '1995-01-01' AND    date '1996-12-31'
                AND    p_type = 'STANDARD ANODIZED STEEL' ) AS all_nationsGROUP BY o_yearORDER BY o_yearLIMIT    1;

查看更多

Q9:

SELECT   nation,
         o_year,         Sum(amount) AS sum_profitFROM     (                SELECT n_name                                                          AS nation,                       Extract(year FROM o_orderdate) AS o_year,
                       l_extendedprice * (1 - l_discount) - ps_supplycost * l_quantity AS amount                FROM   part,
                       supplier,
                       lineitem,
                       partsupp,
                       orders,
                       nation                WHERE  s_suppkey = l_suppkey                AND    ps_suppkey = l_suppkey                AND    ps_partkey = l_partkey                AND    p_partkey = l_partkey                AND    o_orderkey = l_orderkey                AND    s_nationkey = n_nationkey                AND    p_name LIKE '%aquamarine%' ) AS profitGROUP BY nation,
         o_yearORDER BY nation,
         o_year DESCLIMIT    1;

查看更多

Q10:

SELECT   c_custkey,
         c_name,         Sum(l_extendedprice * (1 - l_discount)) AS revenue,
         c_acctbal,
         n_name,
         c_address,
         c_phone,
         c_commentFROM     customer,
         orders,
         lineitem,
         nationWHERE    c_custkey = o_custkeyAND      l_orderkey = o_orderkeyAND      o_orderdate >= date '1994-08-01'AND      o_orderdate <  date '1994-08-01' + INTERVAL '3' monthAND      l_returnflag = 'R'AND      c_nationkey = n_nationkeyGROUP BY c_custkey,
         c_name,
         c_acctbal,
         c_phone,
         n_name,
         c_address,
         c_commentORDER BY revenue DESCLIMIT    20;

查看更多

Q11:

SELECT   ps_partkey,         Sum(ps_supplycost * ps_availqty) AS valueFROM     partsupp,
         supplier,
         nationWHERE    ps_suppkey = s_suppkeyAND      s_nationkey = n_nationkeyAND      n_name = 'PERU'GROUP BY ps_partkeyHAVING   Sum(ps_supplycost * ps_availqty) >
(SELECT Sum(ps_supplycost * ps_availqty) * 0.0001000000 as sum_value  FROM partsupp,
       supplier,
       nation  WHERE  ps_suppkey = s_suppkey  AND    s_nationkey = n_nationkey  AND    n_name = 'PERU')ORDER BY value DESCLIMIT    1;

Q12:

SELECT l_shipmode, sum(case when o_orderpriority = '1-URGENT' or o_orderpriority = '2-HIGH' then 1
    else 0end) AS high_line_count, sum(case when o_orderpriority <> '1-URGENT' and o_orderpriority <> '2-HIGH' then 1else 0end) AS low_line_countFROM orders,
     lineitemWHERE o_orderkey = l_orderkeyAND l_shipmode in ('MAIL', 'TRUCK')AND l_commitdate < l_receiptdateAND l_shipdate < l_commitdateAND l_receiptdate >= date '1996-01-01'AND l_receiptdate < date '1996-01-01' + interval '1' yearGROUP BY l_shipmodeORDER BY l_shipmodeLIMIT 1;

Q13:

SELECT c_count, count(*) AS custdistFROM (    SELECT c_custkey, count(o_orderkey) AS c_count    FROM customer,
         orders    WHERE c_custkey = o_custkey    AND o_comment NOT LIKE '%pending%accounts%'
    GROUP BY c_custkey ) AS c_ordersGROUP BY c_countORDER BY custdist DESC, c_count DESCLIMIT 1;

Q14:

SELECT 100.00 * sum(case when p_type like 'PROMO%' then l_extendedprice * (1 - l_discount)    else 0end) / sum(l_extendedprice * (1 - l_discount)) AS promo_revenueFROM lineitem,
     partWHERE l_partkey = p_partkeyAND l_shipdate >= date '1996-01-01'AND l_shipdate < date '1996-01-01' + interval '1' monthLIMIT 1;

Q15:

WITH revenue0 AS
(SELECT l_suppkey AS supplier_no, sum(l_extendedprice * (1 - l_discount)) AS total_revenueFROM lineitemWHERE l_shipdate >= date '1993-01-01'AND l_shipdate < date '1993-01-01' + interval '3' monthGROUP BY l_suppkey
)SELECT s_suppkey, s_name, s_address, s_phone, total_revenueFROM supplier, revenue0WHERE s_suppkey = supplier_noAND total_revenue IN (    SELECT max(total_revenue)    FROM revenue0 )ORDER BY s_suppkey;

Q16:

SELECT p_brand, p_type, p_size, count(distinct ps_suppkey) AS supplier_cntFROM partsupp,
     partWHERE p_partkey = ps_partkeyAND p_brand <> 'Brand#23'AND p_type NOT LIKE 'PROMO BURNISHED%'AND p_size IN (1, 13, 10, 28, 21, 35, 31, 11)AND ps_suppkey NOT IN (    SELECT s_suppkey    FROM supplier    WHERE s_comment LIKE '%Customer%Complaints%' )GROUP BY p_brand, p_type, p_sizeORDER BY supplier_cnt DESC, p_brand, p_type, p_sizeLIMIT 1;

Q17:

SELECT
    sum(l_extendedprice) / 7.0 AS avg_yearlyFROM
    lineitem,
    partWHERE p_partkey = l_partkey    AND p_brand = 'Brand#44'
    AND p_container = 'WRAP PKG'
    AND l_quantity < (        SELECT
            0.2 * avg(l_quantity)        FROM
            lineitem, part        WHERE
            l_partkey = p_partkey
    );

Q18:

SELECT c_name, c_custkey, o_orderkey, o_orderdate, o_totalprice, sum(l_quantity)FROM customer,
     orders,
     lineitemWHERE o_orderkey IN (      SELECT l_orderkey      FROM lineitem      GROUP BY l_orderkey      HAVING sum(l_quantity) > 315 )AND c_custkey = o_custkeyAND o_orderkey = l_orderkeyGROUP BY c_name, c_custkey, o_orderkey, o_orderdate, o_totalpriceORDER BY o_totalprice DESC, o_orderdateLIMIT 100;

Q19:

SELECT sum(l_extendedprice* (1 - l_discount)) AS revenueFROM lineitem,
     partWHERE ( p_partkey = l_partkey and p_brand = 'Brand#12'
        and p_container in ('SM CASE', 'SM BOX', 'SM PACK', 'SM PKG')        and l_quantity >= 6 and l_quantity <= 6 + 10
        and p_size between 1 and 5
        and l_shipmode in ('AIR', 'AIR REG')        and l_shipinstruct = 'DELIVER IN PERSON' )    or ( p_partkey = l_partkey and p_brand = 'Brand#13'
        and p_container in ('MED BAG', 'MED BOX', 'MED PKG', 'MED PACK')        and l_quantity >= 10 and l_quantity <= 10 + 10
        and p_size between 1 and 10
        and l_shipmode in ('AIR', 'AIR REG')        and l_shipinstruct = 'DELIVER IN PERSON' )    or ( p_partkey = l_partkey and p_brand = 'Brand#24'
        and p_container in ('LG CASE', 'LG BOX', 'LG PACK', 'LG PKG')        and l_quantity >= 21 and l_quantity <= 21 + 10
        and p_size between 1 and 15
        and l_shipmode in ('AIR', 'AIR REG')        and l_shipinstruct = 'DELIVER IN PERSON' )LIMIT 1;

查看更多

Q20:

with temp_table as
( select 0.5 * sum(l_quantity) as col1 from lineitem,
      partsupp where l_partkey = ps_partkey and l_suppkey = ps_suppkey and l_shipdate >= date '1993-01-01'
 and l_shipdate < date '1993-01-01' + interval '1' year)select s_name, s_addressfrom supplier,
     nationwhere s_suppkey in (    select ps_suppkey    from partsupp,
         temp_table    where ps_partkey in (        select p_partkey        from part        where p_name like 'dark%' )        and ps_availqty > temp_table.col1 )    and s_nationkey = n_nationkey and n_name = 'JORDAN'order by s_namelimit 1;

Q21:

select
    s_name,    count(*) as numwaitfrom
    supplier,
    lineitem l1,
    orders,
    nationwhere
    s_suppkey = l1.l_suppkey    and o_orderkey = l1.l_orderkey    and o_orderstatus = 'F'
    and l1.l_receiptdate > l1.l_commitdate    and exists (        select
            *        from
            lineitem l2        where
            l2.l_orderkey = l1.l_orderkey            and l2.l_suppkey <> l1.l_suppkey
    )    and not exists (        select
            *        from
            lineitem l3        where
            l3.l_orderkey = l1.l_orderkey            and l3.l_suppkey <> l1.l_suppkey            and l3.l_receiptdate > l3.l_commitdate
    )    and s_nationkey = n_nationkey    and n_name = 'SAUDI ARABIA'group by
    s_nameorder by
    numwait desc,
    s_namelimit 100;

查看更多

Q22:

with temp_table_1 as
(  select avg(c_acctbal) as avg_value  from customer  where c_acctbal > 0.00 and substring(c_phone from 1 for 2)  in ('33', '29', '37', '35', '25', '27', '43')
),
temp_table_2 as(  select count(*) as count1  from orders, customer  where o_custkey = c_custkey
)select cntrycode, count(*) as numcust, sum(c_acctbal) as totacctbalfrom (    select substring(c_phone from 1 for 2) as cntrycode, c_acctbal    from customer, temp_table_1, temp_table_2    where substring(c_phone        from 1
        for 2) in ('33', '29', '37', '35', '25', '27', '43')        and c_acctbal > temp_table_1.avg_value        and temp_table_2.count1 = 0) as custsalegroup by cntrycodeorder by cntrycodelimit 1;

7. 异步执行查询

Data Lake Analytics支持“同步执行”模式和“异步执行”模式。“同步执行”模式下，控制台界面等待执行结果返回；“异步执行”模式下，立刻返回查询任务的ID。

点击“执行状态”，可以看到该异步查询任务的执行状态，主要分为：“RUNNING”，“SUCCESS”，“FAILURE”。

点击“刷新”，当STATUS变为“SUCCESS”时，表示查询成功，同时可查看查询耗时“ELAPSE_TIME”和查询扫描的数据字节数“SCANNED_DATA_BYTES”。

8. 查看查询历史

点击“执行历史”，可以看到您执行的查询的历史详细信息，包括：
1）查询语句；
2）查询耗时与执行具体时间；
3）查询结果返回行数；
4）查询状态；
5）查询扫描的字节数；
6）结果集回写到的目标OSS文件（Data Lake Analytics会将查询结果集保存用户的bucket中）。

查询结果文件自动上传到用户同region的OSS bucket中，其中包括结果数据文件和结果集元数据描述文件。

{QueryLocation}/{query_name}|Unsaved}/{yyyy}/{mm}/{dd}/{query_id}/xxx.csv
{QueryLocation}/{query_name}|Unsaved}/{yyyy}/{mm}/{dd}/{query_id}/xxx.csv.metadata

其中QueryLocation为：

aliyun-oa-query-results-<your_account_id>-<oss_region>

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。