Начало работы с U-SQL в Azure Data Lake Analytics

U-SQL — это язык, который объединяет декларативный SQL с императивным C# для обработки данных в любом масштабе. С помощью масштабируемого распределенного запроса U-SQL можно эффективно анализировать данные в реляционных хранилищах, таких как База данных SQL Azure. С помощью U-SQL можно обрабатывать неструктурированные данные, применяя схему на чтение, пользовательскую логику и определяемые пользователем функции. Кроме того, U-SQL включает расширяемость, которая дает возможность тонкого управления выполнением в масштабе.

Учебные ресурсы

• Руководство по U-SQL содержит пошаговое руководство по большинству языка U-SQL. Этот документ рекомендуется прочитать для всех разработчиков, желающих узнать U-SQL.
• Подробные сведения о синтаксисе языка U-SQL см. в справочнике по языку U-SQL.
• Чтобы понять философию проектирования U-SQL, ознакомьтесь с записью блога Visual Studio о вводе U-SQL — язык, который упрощает обработку больших данных.

Давайте создадим некоторые данные

Следующий скрипт U-SQL прост и позволяет создать пример файла данных, на который можно ссылаться в других сценариях U-SQL. Мы обсудим ключевые понятия, которые обеспечивают работу этого скрипта, в следующем разделе.

USE DATABASE master;
USE SCHEMA dbo;
@a  = 
    SELECT * FROM 
        (VALUES
            (399266, "2/15/2012 11:53:16 AM", "en-us", "microsoft", 73, "microsoft.com;xbox.com", "NULL"),
			(382045, "2/15/2012 11:53:18 AM", "en-gb", "azure data lake analytics", 614, "microsoft.com;portal.azure.com", "portal.azure.com"),
			(382045, "2/16/2012 11:53:20 AM", "en-gb", "usql", 74, "microsoft.com;github.com", "NULL"),
			(106479, "2/16/2012 11:53:50 AM", "en-ca", "xbox", 24, "xbox.com;xbox.com/xbox360", "xbox.com/xbox360"),
			(906441, "2/16/2012 11:54:01 AM", "en-us", "machine learning", 1213, "microsoft.com;github.com", "NULL"),
			(304305, "2/16/2012 11:54:03 AM", "en-us", "outlook", 60, "microsoft.com;office.com;live.com","microsoft.com"),
			(460748, "2/16/2012 11:54:04 AM", "en-us", "azure storage", 1270, "microsoft.com;portal.azure.com", "portal.azure.com"),
			(354841, "2/16/2012 11:59:01 AM", "en-us", "azure", 610, "microsoft.com;portal.azure.com", "portal.azure.com"),
			(354068, "2/16/2012 12:00:33 PM", "en-mx", "key vault", 422, "microsoft.com;portal.azure.com", "portal.azure.com"),
			(347413, "2/16/2012 12:11:55 PM", "en-gr", "github", 305, "github.com", "NULL"),
			(840614, "2/16/2012 12:13:56 PM", "en-us", "surface", 1220, "microsoft.com", "NULL"),
			(656666, "2/16/2012 12:15:55 PM", "en-us", "visual studio", 691, "microsoft.com;code.visualstudio.com", "NULL"),
			(951513, "2/16/2012 12:17:00 PM", "en-us", "power bi", 63, "microsoft.com;app.powerbi.com", "powerbi.com"),
			(350350, "2/16/2012 12:18:17 PM", "en-us", "data factory", 30, "microsoft.com;portal.azure.com", "NULL"),
			(641615, "2/16/2012 12:19:55 PM", "en-us", "event hubs", 119, "microsoft.com;portal.azure.com", "NULL")
        ) AS 
              D( UserId, Start, Region, Query, Duration, Urls, ClickedUrls );
OUTPUT @a
    TO "Samples/Data/SearchLog.tsv"
    USING Outputters.Tsv();

Чтение данных из файла

Теперь, когда у нас есть некоторые данные, давайте считываем его из созданного файла.

@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM "/Samples/Data/SearchLog.tsv"
    USING Extractors.Tsv();

OUTPUT @searchlog
    TO "/output/SearchLog-first-u-sql.csv"
    USING Outputters.Csv();

Этот скрипт не имеет никаких шагов преобразования. Он считывает из исходного файла, который называется SearchLog.tsv, схематизирует его и записывает набор строк обратно в файл под названием SearchLog-first-u-sql.csv.

Обратите внимание на вопросительный знак рядом с типом данных в Duration поле. Это означает, что Duration поле может иметь значение NULL.

Основные понятия

• Переменные набора строк: каждое выражение запроса, создающее набор строк, можно назначить переменной. U-SQL следует шаблону именования переменных T-SQL (@searchlogнапример, в скрипте).
• Ключевое слово EXTRACT считывает данные из файла и определяет схему при чтении. Extractors.Tsv — это встроенный экстрактор U-SQL для файлов с разделителями табуляции. Вы можете разрабатывать пользовательские средства извлечения.
• Выходные данные записываются из набора строк в файл. Outputters.Csv() — это встроенный экспортёр U-SQL для создания файла с разделителями-запятыми. Вы можете разрабатывать пользовательские механизмы вывода.

Пути к файлу

Инструкции EXTRACT и OUTPUT используют пути к файлам. Пути к файлам могут быть абсолютными или относительными:

Следующий абсолютный путь к файлу относится к файлу в Data Lake Store с именем mystore:

adl://mystore.azuredatalakestore.net/Samples/Data/SearchLog.tsv

Следующий путь к файлу начинается с "/". Он ссылается на файл в учетной записи Data Lake Store по умолчанию:

/output/SearchLog-first-u-sql.csv

Использование скалярных переменных

Скалярные переменные также можно использовать, чтобы упростить обслуживание скриптов. Предыдущий скрипт U-SQL также можно записать следующим образом:

DECLARE @in  string = "/Samples/Data/SearchLog.tsv";
DECLARE @out string = "/output/SearchLog-scalar-variables.csv";
@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM @in
    USING Extractors.Tsv();
OUTPUT @searchlog
    TO @out
    USING Outputters.Csv();

Преобразование наборов строк

Используйте SELECT для преобразования наборов строк. Этот скрипт выберет столбцы "Пуск", "Регион" и "Длительность" и записывает эти строки в файл, если в регионе имеется значение "en-gb":

@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM "/Samples/Data/SearchLog.tsv"
    USING Extractors.Tsv();
@rs1 =
    SELECT Start, Region, Duration
    FROM @searchlog
WHERE Region == "en-gb";
OUTPUT @rs1
    TO "/output/SearchLog-transform-rowsets.csv"
    USING Outputters.Csv();

Предложение WHERE использует логическое выражение C#. Язык выражений C# можно использовать для выполнения собственных выражений и функций. Вы даже можете выполнить более сложную фильтрацию, сочетая их с логическими сочетаниями (AND) и дисъюнкциями (OR).

В следующем скрипте используется метод DateTime.Parse() и сочетание. столбцы Start, Region и Duration, где регион имеет значение "en-gb". Затем он проверяет значения столбца Duration между определенными датами и записывает эти значения в файл:

@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM "/Samples/Data/SearchLog.tsv"
    USING Extractors.Tsv();
@rs1 =
    SELECT Start, Region, Duration
    FROM @searchlog
WHERE Region == "en-gb";
@rs1 =
    SELECT Start, Region, Duration
    FROM @rs1
    WHERE Start >= DateTime.Parse("2012/02/16") AND Start <= DateTime.Parse("2012/02/17");
OUTPUT @rs1
    TO "/output/SearchLog-transform-datetime.csv"
    USING Outputters.Csv();

Агрегированные наборы строк

U-SQL предоставляет знакомые инструкции ORDER BY, GROUP BY и операции агрегации.

Следующий запрос находит общую длительность для каждого региона, а затем отображает первые пять длительности в порядке.

Наборы строк U-SQL не сохраняют их порядок для следующего запроса. Таким образом, чтобы упорядочить выходные данные, необходимо добавить ORDER BY в инструкцию OUTPUT:

DECLARE @outpref string = "/output/Searchlog-aggregation";
DECLARE @out1    string = @outpref+"_agg.csv";
DECLARE @out2    string = @outpref+"_top5agg.csv";
@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM "/Samples/Data/SearchLog.tsv"
    USING Extractors.Tsv();
@rs1 =
    SELECT
        Region,
        SUM(Duration) AS TotalDuration
    FROM @searchlog
GROUP BY Region;
@res =
    SELECT *
    FROM @rs1
    ORDER BY TotalDuration DESC
    FETCH 5 ROWS;
OUTPUT @rs1
    TO @out1
    ORDER BY TotalDuration DESC
    USING Outputters.Csv();
OUTPUT @res
    TO @out2
    ORDER BY TotalDuration DESC
    USING Outputters.Csv();

Предложение U-SQL ORDER BY требует использования предложения FETCH в выражении SELECT.

Предложение U-SQL HAVING можно использовать для ограничения выходных данных группами, удовлетворяющими условию HAVING:

@searchlog =
    EXTRACT UserId          int,
            Start           DateTime,
            Region          string,
            Query           string,
            Duration        int?,
            Urls            string,
            ClickedUrls     string
    FROM "/Samples/Data/SearchLog.tsv"
    USING Extractors.Tsv();
@res =
    SELECT
        Region,
        SUM(Duration) AS TotalDuration
    FROM @searchlog
    GROUP BY Region
    HAVING SUM(Duration) > 200;
OUTPUT @res
    TO "/output/Searchlog-having.csv"
    ORDER BY TotalDuration DESC
    USING Outputters.Csv();

Дополнительные сценарии агрегирования см. в справочной документации по U-SQL для агрегатных, аналитических и справочных функций.

Дальнейшие шаги

• Обзор Microsoft Azure Data Lake Analytics
• Разработка скриптов U-SQL с помощью средств Data Lake для Visual Studio