数据工场
基本概念 https://help.aliyun.com/document_detail/30257.html?spm=a2c4g.11186623.6.541.oiqbz7
MaxCompute 支持 SQL、MapReduce、Graph 等计算类型及 MPI 迭代类算法。
MaxCompute批量、历史数据通道是Tunnel，实时、增量数据通道，可以用DataHub，DataHub还支持多种数据传输插件：Logstash、Flume、Fluentd、Sqoop，支持日志服务Log Service。
MaxCompute 支持多种计算模型：SQL、UDF、MapReduce、Graph
MaxCompute SDK：
https://help.aliyun.com/document_detail/34614.html?spm=a2c4g.11186623.2.18.uBsiqW
MapReduce：
https://help.aliyun.com/document_detail/27875.html?spm=a2c4g.11186623.2.13.uBsiqW
UDF：
https://help.aliyun.com/document_detail/27866.html?spm=a2c4g.11186623.2.22.cmHUQg
MaxCompute Graph 是一套面向迭代的图计算处理框架。图计算作业使用图进行建模，图由点（Vertex）和边（Edge）组成，点和边包含权值（Value）。https://help.aliyun.com/document_detail/27901.html?spm=a2c4g.11186623.6.669.MLWaOz
DataHub
https://help.aliyun.com/document_detail/47439.html?spm=a2c4g.11174283.3.1.vKmf5b
阿里云流数据处理平台DataHub是流式数据（Streaming Data）的处理平台，提供对流式数据的发布（Publish），订阅（Subscribe）和分发功能，让您可以轻松构建基于流式数据的分析和应用。DataHub服务可以对各种移动设备，应用软件，网站服务，传感器等产生的大量流式数据进行持续不断的采集，存储和处理。您可以编写应用程序或者使用流计算引擎来处理写入到DataHub的流式数据，比如：实时web访问日志、应用日志、各种事件等，并产出各种实时的数据处理结果，比如：实时图表、报警信息、实时统计等。
DataHub服务基于阿里云自研的飞天平台，具有高可用，低延迟，高可扩展，高吞吐的特点。DataHub与阿里云流计算引擎StreamCompute无缝连接，您可以轻松使用SQL进行流数据分析。
DataHub服务也提供分发流式数据到各种云产品的功能，目前支持分发到MaxCompute（原ODPS），OSS等。
StreamCompute是阿里云提供的流计算引擎，提供使用类SQL的语言来进行流式计算。DataHub 和StreamCompute无缝结合，可以作为StreamCompute的数据源和输出源。
DataWorks
项目状态：项目一般分为正常、初始化中、初始化失败、删除中、删除五种状态。
修改服务
通常情况下，通过DataWorks的项目空间实现数据开发和运维，包含以下操作：
步骤1：建表并上传数据
（创建；本地上传·最大10M；tunnel；dataX）
步骤2：创建工作流
（支持的任务类型：ODPS_SQL、ODPS_MR、数据同步、OPEN_MR、机器学习、SHELL、虚节点）
步骤3：创建同步任务
步骤4：设置周期和依赖
步骤5：运维及日志排错
如何确认实例运行的定时时间和相互依赖关系符合预期呢？提供三种触发方式：测试运行、补数据运行、周期运行。
测试运行：手动触发方式。如果您仅需确认单个任务的定时情况和运行，建议使用测试运行。
补数据运行：手动触发方式。如果您需要确认多个任务的定时情况和相互依赖关系，或者需要从某个根任务开始重新执行数据分析计算，可以考虑使用此方式。
周期运行：系统自动触发方式。提交成功的任务，调度系统在第二天０点起会自动生成当天不同时间点的运行实例，并在定时时间达到时检查各实例的上游实例是否运行成功，如果定时时间已到并且上游实例全部运行成功，则当前实例会自动触发运行，无需人工干预。
调度资源
资源名称：调度资源组名称，由英文字母、下划线、数字组成，不超过 60 个字符，创建后不支持修改。
DataWorks（数据工场）的调度资源分为以下两种模式：
默认调度资源、自定义调度资源。
自定义调度资源指用户自购 ECS，配置成可以执行分发任务的调度服务器。组织管理员（主账号）可以新建自定义调度资源，调度资源包括若干台物理机或 ECS，用于执行数据同步任务、SHELL 任务、ODPS_SQL、OPEN_MR 任务。
数据集成，是阿里集团对外提供的稳定高效、弹性伸缩的数据同步平台。致力于提供复杂网络环境下、丰富的异构数据源之间数据 高速稳定的数据移动及同步能力。
数据集成提供丰富的数据源支持，如下所示：
文本存储（FTP / SFTP / OSS / 多媒体文件等）。
数据库（RDS / DRDS / MySQL / PostgreSQL 等）。
NoSQL（Memcache / Redis / MongoDB / HBase 等）。
大数据（MaxCompute / AnalyticDB / HDFS 等）。
MPP 数据库（HybridDB for MySQL 等）。
同步有两种模式：向导模式、脚本模式；
脚本模式用json脚本，向导模式生成的代码可以转换为脚本模式，但不能反向。代码编写前要完成数据源的配置和目标表的创建。
同步·网络类型，三种：
经典网络：统一部署在阿里云的公共基础网络内，网络的规划和管理由阿里云负责，更适合对网络易用性要求比较高的客户。
专有网络（VPC）：基于阿里云构建出一个隔离的网络环境。可以完全掌控自己的虚拟网络，包括选择自有的 IP 地址范围，划分网段，以及配置路由表和网关。
本地IDC网络（规划中）：您自身构建机房的网络环境，与阿里云网络是隔离不可用的。
配置同步，不懂：https://help.aliyun.com/document_detail/49808.html?spm=a2c4g.11186623.6.588.VxW0nN
……【整个数据集成基本处于懵逼状态，毕竟没有实践经验离应用场景太远，还得沉下心好好看看】
数据开发
数据开发阶段，DataWorks提供4种对象供使用：任务、脚本、资源、函数。
一个任务的开发和使用流程：
各种权限点：https://help.aliyun.com/document_detail/30277.html?spm=a2c4g.11186623.6.621.TfXC9G
DataWorks（数据工场，原大数据开发套件）提供了 ２种 任务类型 7种 节点类型：
任务类型：节点任务和工作流任务。
节点类型：虚节点类型，ODPS_SQL 节点类型，SHELL 节点类型，数据同步节点类型，机器学习节点类型，ODPS_MR 节点类型和 OPEN_MR 节点类型。
调度参数配置：
https://help.aliyun.com/document_detail/30281.html?spm=a2c4g.11186623.2.14.PWxXPY
发布管理：
https://help.aliyun.com/document_detail/30282.html?spm=a2c4g.11186623.6.652.Wpndsr
DataWorks三种数据：表、函数、资源。
题目：
MaxCompute只支持结构化数据的存储和处理。 × 支持非结构，如图片
MaxCompute对表的列数和列的内容没有限制。 ×最多1024列，内容大小受限于数据类型。
Select的where子句可以指定查询范围，这样可以避免全表扫描。 ×只有分区表能避免全表扫描。
下列产品中，能满足用户使用SQL进行交互式查询需求的是
A：MaxCompute B:AnalyticDB C:RDS D:TS
BC；MaxCompute是批量计算模型；TS不支持SQL访问。
MaxCompute使用DDL建表一开始没有分区字段，在使用时可以动态增加或更改分区。×不能直接增加/更改分区键，可以增加分区，不能增加分区字段。
关于阿里云流计算错误的是（）
A、是运行在阿里云平台上的流式大数据分析平台
B、提供给用户在云上进行流式数据实时化分析工具
C、可以使用阿里云StreamSQL进行流式数据分析
D、流计算的数据存储是基于盘古分布式文件系统
D错，阿里云流计算不存储数据，计算结果直接推送给下游。
流计算特点描述，正确的是（）
A、实时且流式的
B、数据是无界的
C、事件触发
D、用户触发
ABC
阿里云流计算目前可以支持SQL和MapReduce。×不支持MapReduce
流计算对不同的项目进行了严格的项目权限区分，不同用户/项目之间是无法进行访问、操作。✔️
Oracle存储过程可以使用阿里云流计算替换。×
现有Spark作业可以无缝迁移到流计算。×，无法无缝迁移。
DataWorks中工作流任务如果配置为周期性调度，所支持的周期包括哪些？
A、月调度 B、周调度 C、天调度 D、季度调度 E、小时调度 F、1分钟调度
ABCE，没有季度调度，最小单位5分钟
通过安全授权，用户可以访问的项目空间中的对象有（）？
A、表 B、项目 C、函数 D、资源
ACD 表、资源、函数、实例
MaxCompute支持外部表，外部表中的数据可以存储在OSS或TS中？✔️
MaxCompute支持的分区类型包括（）
A、STRING B、TINYINT C、BIGINT D、VARCHAR
还有smallint、bigint
DataWorks中任务包括哪些类型？
A、节点任务 B、工作流任务 C、内部节点 D、外部节点
ABC
MaxCompute Graph支持一下图编辑操作：ABC （没有节点间通信）
Graph最早是由Google提出的分布式数据处理模型。× MapReduce才是
Graph擅长完成学术论文、专利文献的引用分析和统计。× 是MapReduce擅长的
Graph节点的Halted标志的含义是节点是否参与迭代计算。✔️
对AnalyticDB正确的是？（）
A、分析型数据库 B、可用于流式计算 C、支持SQL查询 D、基本计算单元是ECU
ACD
AnalyticDB是阿里云提供的数据仓库，可用于完成PB级别数据的批量计算。×擅长的是交互式查询
每个DataWorks任务使用0个或0个以上的数据表（数据集）作为输入，生成一个或多个数据表（数据集）作为输出。 ✔️
MaxCompute中日期型和布尔型不允许参与算术运算。✔️String也可以参与算术运算
MaxCompute中，A和B都是bigint类型，A/B返回结果为___。 Double
MaxCompute的Table的名字，错误的是：
A、建表时可使用中文作为表名
B、表名中不能有特殊字符
C、表名只能用a-z,A-Z及数字和下划线_，且以字母开头
D、长度不超过128字节
A
MaxCompute SQL中位运算只允许bigint类型。✔️
MaxCompute SQL中常量定义100BD表示的含义是___。数值为100的decimal
MaxCompute SQL中隐式类型转换规则是有发生作用域的，在某些作用域中，只有一部分规则可以生效。✔️
MaxCompute中一个multi-insert中：对于未分区表，该表不能出现多次。✔️
MaxCompute中如果目标表有多级分区，在运行insert语句时允许指定部分分区为静态，但静态分区必须是高级分区。✔️
任务调度时间为2017-10-2701:00:00，那么bdp.system.cyctim的结果为20171027010000
A. 是
B. 否
答案： A
解析： ${bdp.system.cyctime}=$[yyyymmddhh24miss]可以任意分解组合，即某一时刻进行调度就显示某个时间的值，精确到秒
DataX是阿里巴巴集团内广泛使用的离线数据同步工具/平台，实现包括MySQL、Oracle、HDFS、Hive、Table Store、MaxCompute等各种异构数据源之间高效的数据同步功能,支持数据续传
A. 是
B. 否
答案: B
解析：Datax不支持断点续传,一般基于日志才支持数据中断才进行续传。而Datax是reader和writer的配置整合到一起，故错了
Mapreduce支持对视图处理
A. 是
B. 否
答案: B
Tunnel支持那种SDK
A. Java
B. C++
C. Python
D. C#
答案: A
用户A有访问users表的权限，当管理员把Users表删除后，再新建了一张users表，此时users表与原来的表结构不一样，用户A还能访问users吗？
A. 能
B. 不能
答案A
解析：权限只识别对象，并不识别对象的具体内容。
阿里云大数据计算服务(MaxCompute，原 ODPS)中的 MapReduce 是一种编程模型，用于大规模数据集的并行运算，它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。其中，两个主要阶段 Map和 Reduce 相互配合，可以完成对海量数据的处理。关于这两个阶段的关系，说法正确的有________。(正确答案的数量:3 个)
a) 一个 map 的输出结果可能会被分配到多个 reduce 上去
b) 一个 reduce 的输入数据可能来自于多个 map 的输出
c) 一个 MR 处理可以不包括任何 map
d) 一个 MR 处理可以不包含任何 reduce
ABC
select ID,name from Table_A where ID not in (select ID from Table_B)
这句是最经典的not in查询了。改为表连接代码如下：
select Table_A.ID,Table_A.name from Table_A left join Table_B on Table_A.ID=Table_B.ID and Table_B.ID is null
select * from a where aid not in (select id from b)
改成如下语句：
select a.* from a left outer join (select distinct id from b) bb on a.id=bb.id where bb.id is null;
Q：MaxCompute 项目中的 Owner 能否更换为子账号？
A：项目的 Owner 不可以更换，谁创建的 Project，谁就是 Owner。您可以将 Admin 的角色赋予子账号。
Q：与 Owner 相比，Admin 角色有哪些限制？
A： 与 Owner 相比，Admin 角色不能进行如下操作：
Admin 角色不能将 admin 权限指派给用户。
不能设定项目空间的安全配置。
不能修改项目空间的鉴权模型。
Admin 角色所对应的权限不能被修改。
Q：在 MaxCompute SQL 执行过程中，报错为Table xx has n columns， but query has m columns。
A：MaxCompute SQL 使用 INSERT INTO/OVERWRITE TABLE XXX SELECT 插入数据时，需要保证 SELECT 查询出来的字段和插入的表的字段，包括顺序、字段类型都能匹配，当然总的字段数量上也要能对的上。
目前 MaxCompute 不支持指定插入表中某几个字段，其他字段为 NULL 或者其他默认值的情况，您可以在 SELECT 的时候设置成 NULL，例如：SELECT ‘a’,NULL FROM XX。
Q：用insert into…values...语句插入表记录报错，请问如何向 MaxCompute 表中插入记录？
A：向 MaxCompute 表中插入记录的操作步骤如下：
创建一个表， 例如 dual 表。语句如下：
createtabledual(cntbigint);
insertintotabledualselectcount(*) as cnt from dual;
执行完上述语句便生成了一张有 1 条记录的 dual 表。
执行下述语句，即可向 MaxCompute 表中插入记录。
insert into table xxxx select 1,2,3 from dual;
tunnel：
Q：是否支持 ascii 字符的分隔符？
A：命令行方式不支持，配置文件可以用十六进制表示。如 \u000A，表示回车。
Q：文件大小是否有限制？
A：文件大小没有限制，但一次 upload 无法超过 24 小时，可以根据实际上传速度和时间来估算能够上传的数据量。
Q：记录大小是否有限制？
A：记录大小不能超过 200M。
Q：是否要使用压缩？
A：默认会使用压缩，如果带宽允许的情况下，可以关掉压缩。
Q：同一个表或 partition 是否可以并行上传？
A：可以。
Q：是否支持不同字符编码？
A：支持不同的编码格式参数，带 bom 标识文件不需要指定编码。
Q：导入后的脏数据怎么处理？
A：导入结束后，如果有脏数据可以通过 tunnel show bad [sessionid] 查看脏数据。
Q：上传下载的文件路径是否可以有空格？
A：可以有空格，参数需要用双引号括起来。
Q：为什么会出现乱码？
A：可能是上传文件的字符编码和工具指定的编码不符。
Q：导入数据最后一列为什么多出\r符号？
A：windows 的换行符是\r\n，macosx 和 linux 的换行符是\n，tunnel 命令使用系统换行符作为默认列分隔符，所以从 macosx 或 linux 上传 windows 编辑保存的文件会把\r作为数据内容导进去。
Q：Tunnel 下载/上传速度正常速度范围是多少？
A：Tunnel 下载上传，受网络因素影响较大，正常网络情况下速度范围在 1MB/s-20MB/s 区间内。
Q：Tunnel 域名是什么？
A：不同 region 对应不同的域名，详情请参见 访问域名和数据中心。
Q：无法上传/下载怎么办？
A：找到配置中配置的 tunnel 域名，通过 curl -i 域名例如 curl -i http://dt.odps.aliyun.com 测试网络是否连通，若无法连通请检查机器网络或更换为正确的域名。
Q：上传/下载速度缓慢怎么办？
A：您可以从以下几方面进行检查：
检查机器网络状态，ping tunnel_endpoint 域名延迟是否异常。
检查流量状态， 通过 ifstat 等命令检查客户端机器流量是否满载。
若为 ECS 机器，请检查是否使用的公网域名而不是跨域或 ECS 域名，若使用公网域名，请检查 ECS 的带宽使用情况是否打满或更换域名。
Q：报 Java heap space FAILED: error occurred while running tunnel command 错误怎么办？
A：若出现上述错误，您可以从以下几方面进行解决：
若是上传数据，应当是单行数据太大导致，与整体文件的大小无关。先确认是不是分隔符没写对，导致所有数据都搞到一行 record 里去了。
若是分隔符没写错，您文件中的单行数据的确很大，那么就是 console 程序的内存不够用了，需要调整 console 进程启动的参数。
具体方法：打开 odpscmd 脚本，适当增加 java 进程启动选项中的内存值 。如 java -Xms64m -Xmx512m -classpath "${clt_dir}/lib/*:${clt_dir}/conf/"com.aliyun.openservices.odps.console.ODPSConsole "$@" 中将 -Xms64m -Xmx512m 的值增大即可。
若是下载数据，可能是数据量太大，console 程序的内存不够用了。打开 odpscmd 脚本，适当增加 java 进程启动选项中的内存值 。如 java -Xms64m -Xmx512m -classpath"${clt_dir}/lib/*:${clt_dir}/conf/"com.aliyun.openservices.odps.console.ODPSConsole "$@" 中将 `-Xms64m -Xmx512m`` 的值增大即可。
Q：Tunnel 需注意的分隔符问题有哪些？
A：Tunnel 需要注意的分隔符问题，如下所示：
列分隔符 fd 不能包含行分隔符 rd。
行分隔符 rd。
默认值： \r\n (windows) 和 \n(linux)。
上传开始的时候会打印提示信息，告知本次上传所使用的行分隔符（0.21.0 版本及以后）供用户查看和确认。
列分隔符 fd。
默认值：, (逗号）。
Q：DataHub 表和 MaxCompute 中创建的表，是否是一个表？
A：MaxCompute 的表分离线表和在线表两种，datahub 是在线表。只有在线表才能处理 datahub，也才能作为流式计算的输入源，而在线表的数据，会几分钟起一个定时任务归档到离线表里，所以在线表的数据和离线表的数据是有几分钟的延迟的。
SQLTask 查询数据和 DownloadSession 在使用及功能上，有何不同？
A：SQLTask 是运行 SQL 并返回结果，返回条数有限制，默认是 1000 条。
DownloadSession 是下载某个存在的表里数据，结果条数没限制。
Q：MaxCompute 如何在客户端上查看一个任务的历史信息？
A：如果您想查看一个历史任务的运行详情，可以通过以下步骤进行操作：
找到想要查看任务的 instanceId。您可通过任务列表来查看最近的任务记录：
如果是 SQL 任务的话，可以直接看到 SQL 的内容。
如果要查看几天前的 instance，可以运行命令： show p from date1 to date2 number，eg：show p from 2015-5-20 to 2015-5-22 2000
找到任务后，可以看一下任务的信息，核对是否确实是这个任务：
通过 wait 命令，获得任务的运行日志：
通过 logview，即可获得任务的详细日志。