一文快速了解MaxCompute

很多刚初次接触MaxCompute的用户，面对繁多的产品文档内容以及社区文章，往往很难快速、全面了解MaxCompute产品全貌。同时，很多拥有大数据开发经验的开发者，也希望能够结合自身的背景知识，将MaxCompute产品能力与开源项目、商业软件之间建立某种关联和映射，以快速寻找或判断MaxCompute是否满足自身的需要，并结合相关经验更轻松地学习和使用产品。

本文将站在一个更宏观的视角来分主题地介绍MaxCompute产品，以期读者能够通过本文快速获取对MaxCompute产品的认识。

概念篇

产品名称：大数据计算服务(英文名：MaxCompute)

产品说明：MaxCompute（原ODPS）是一项大数据计算服务，它能提供快速、完全托管的PB级数据仓库解决方案，使您可以经济并高效的分析处理海量数据。

产品说明的前半部分，将MaxCompute定义为大数据计算服务，可以理解为它的功能定位于支持大数据计算，同时是一款基于云的服务化的产品。后半部分，说明了它的适用场景：大规模数据仓库、海量数据处理、分析。

单从这里还不能了解到大数据计算服务提供了哪些的计算能力，具备怎样的服务化？产品定义中出现了数据仓库字眼，我们能够了解到MaxCompute能够处理较大规模（这里提到了PB级别）结构化数据。而“海量数据处理”除了数据规模大之外，对于非结构化数据的处理有待验证，同时”分析”是否在常见的SQL分析能力之外，提供了其他复杂分析的能力。

带着这样的问题，我们继续开始介绍，希望在后面的内容中能够清晰地回答这些问题。

架构篇

在介绍功能前，先提纲挈领从产品整体逻辑结构开始，让读者有个全貌了解。

MaxCompute提供了云原生、多租户的服务架构，在底层大规模计算、存储资源之上预先构建好了MaxCompute计算服务、服务接口，提供了配套的安全管控手段和开发工具管理工具，产品开箱即用。

用户可以在阿里云控制台，在几分钟内完成服务开通并创建MaxCompute项目，无需进行底层资源开通、软件部署、基础设施运维，系统自动进行(由阿里云专业团队)版本升级、问题修复。

功能篇

数据存储

• 支持大规模计算存储，适用于TB以上规模的存储及计算需求，最大可达EB级别。同一个MaxCompute项目支持企业从创业团队发展到独角兽的数据规模需求；
• 数据分布式存储，多副本冗余，数据存储对外仅开放表的操作接口，不提供文件系统访问接口
• 自研数据存储结构，表数据列式存储，默认高度压缩，后续将提供兼容ORC的Ali-ORC存储格式
• 支持外表，将存储在OSS对象存储、OTS表格存储的数据映射为二维表
• 支持Partition、Bucket的分区、分桶存储
• 更底层不是HDFS，是阿里自研的盘古文件系统，但可借助HDFS理解对应的表之下文件的体系结构、任务并发机制
• 使用时，存储与计算解耦，不需要仅仅为了存储扩大不必要的计算资源

多种计算模型

需要说明的是，传统数据仓库场景下，实践中有大部分的数据分析需求可以通过SQL+UDF来完成。但随着企业对数据价值的重视以及更多不同的角色开始使用数据时，企业也会要求有更丰富的计算功能来满足不同场景、不同用户的需求。

MaxCompute不仅仅提供SQL数据分析语言，它在统一的数据存储和权限体系之上，支持了多种计算类型。

MaxCompute SQL:

TPC-DS 100% 支持，同时语法高度兼容Hive，有Hive背景开发者直接上手，特别在大数据规模下性能强大。

• 完全自主开发的compiler，语言功能开发更灵活，迭代快，语法语义检查更加灵活高效
• 基于代价的优化器，更智能，更强大，更适合复杂的查询
• 基于LLVM的代码生成，让执行过程更高效
• 支持复杂数据类型(array,map,struct)
• 支持Java、Python语言的UDF/UDAF/UDTF
• 语法：Values、CTE、SEMIJOIN、FROM倒装、Subquery Operations、Set Operations(UNION /INTERSECT /MINUS)、SELECT TRANSFORM 、User Defined Type、GROUPING SET(CUBE/rollup/GROUPING SET)、脚本运行模式、参数化视图
• 支持外表(外部数据源+StorageHandler 支持非结构化数据）

MapReduce：

• 支持MapReduce编程接口(提供优化增强的MaxCompute MapReduce,也提供高度兼容Hadoop的MapReduce版本)
• 不暴露文件系统，输入输出都是表
• 通过MaxCompute客户端工具、Dataworks提交作业

MaxCompute Graph图模型：

• 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）。
• 通过迭代对图进行编辑、演化，最终求解出结果
• 典型应用有：PageRank，单源最短距离算法，K-均值聚类算法等
• 使用MaxCompute Graph提供的接口Java SDK编写图计算程序并通过MaxCompute客户端工具通过jar命令提交任务

PyODPS:

用熟悉的Python利用MaxCompute大规模计算能力处理MaxCompute数据。

PyODPS是MaxCompute 的 Python SDK，同时也提供 DataFrame 框架，提供类似 pandas 的语法，能利用 MaxCompute 强大的处理能力来处理超大规模数据。  

• PyODPS 提供了对 ODPS 对象比如 表 、资源 、函数 等的访问。
• 支持通过 run_sql/execute_sql 的方式来提交 SQL。
• 支持通过 open_writer 和 open_reader 或者原生 tunnel API 的方式来上传下载数据
• PyODPS 提供了 DataFrame API，它提供了类似 pandas 的接口，能充分利用 MaxCompute 的计算能力进行DataFrame的计算。
• PyODPS DataFrame 提供了很多 pandas-like 的接口，但扩展了它的语法，比如增加了 MapReduce API 来扩展以适应大数据环境。
• 利用map 、apply 、map_reduce 等方便在客户端写函数、调用函数的方法，用户可在这些函数里调用三方库，如pandas、scipy、scikit-learn、nltk

Spark:

MaxCompute提供了Spark on MaxCompute的解决方案，使MaxCompute提供的兼容开源的Spark计算服务，让它在统一的计算资源和数据集权限体系之上，提供Spark计算框架，支持用户以熟悉的开发使用方式提交运行Spark作业。

• 支持原生多版本Spark作业：Spark1.x/Spark2.x作业都可运行；
• 开源系统的使用体验：Spark-submit提交方式（暂不支持spark-shell/spark-sql的交互式），提供原生的Spark WebUI供用户查看；
• 通过访问OSS、OTS、database等外部数据源，实现更复杂的ETL处理，支持对OSS非结构化进行处理；
• 使用Spark面向MaxCompute内外部数据开展机器学习，扩展应用场景；

交互式分析(Lightning)

MaxCompute产品的交互式查询服务，特性如下：

• 兼容PostgreSQL：兼容PostgreSQL协议的JDBC/ODBC接口，所有支持PostgreSQL数据库的工具或应用使用默认驱动都可以轻松地连接到MaxCompute项目。支持主流BI及SQL客户端工具的连接访问，如Tableau、帆软BI、Navicat、SQL Workbench/J等。
• 显著提升的查询性能：提升了一定数据规模下的查询性能，查询结果秒级可见，支持BI分析、Ad-hoc、在线服务等场景；

机器学习：

• MaxCompute内建支持的上百种机器学习算法，目前MaxCompute的机器学习能力由PAI产品进行统一提供服务，同时PAI提供了深度学习框架、Notebook开发环境、GPU计算资源、模型在线部署的弹性预测服务。PAI产品与MaxCompute在项目和数据方面无缝集成。

对比篇

为便于读者，特别是有开源社区经验的读者快速建立对MaxCompute主要功能的了解，这里做简单地映射说明。

项目	MaxCompute产品	对开源社区的一些比较说明
SQL	MaxCompute SQL	阿里自研SQL引擎，语法兼容Hive，功能和性能更优
MapReduce	MaxCompute MR	阿里自研，类似并支持Hadoop MapReduce，MaxCompute Open MR做了优化和提升
交互式	MaxCompute Lightning	Serverless的交互式查询服务，功能类似开源生态的Presto、Hawk等
Spark	Spark on MaxCompute	支持原生Spark运行在MaxCompute上，类似Spark on Yarn形态
机器学习	PAI	不同于开源社区的算法库，PAI有更丰富的算法，超大规模处理能力，更是覆盖了ML/DL全流程需求的平台服务。
存储	Pangu	阿里自研分布式存储服务，类似HDFS。MaxCompute对外目前只暴露表接口，不能直接访问文件系统。
资源调度	Fuxi	阿里自研的资源调度系统，类似Yarn。
数据上传下载	Tunnel	不暴露文件系统，通过Tunnel进行批量数据上传下载。
流式接入	Datahub	MaxCompute配套的流式数据接入服务，粗略地类似kafka，能够通过简单配置归档topic数据到MaxCompute表
用户接口	CLT/SDK	统一的命令行工具和JAVA/PYTHON SDK
开发&诊断	Dataworks/Studio/Logview	配套的数据同步、作业开发、工作流编排调度、作业运维及诊断工具。开源社区常见的Sqoop、Kettle、Ozzie等实现数据同步和调度。
整体	不是孤立的功能，完整的企业服务	不需要多组件集成、调优、定制，开箱即用。

问题篇

dataworks和MaxCompute之间的关系与区别？

这是2个产品，MaxCompute做数据存储和数据分析处理，Dataworks是集成了数据集成、数据开发调试、作业编排及运维、元数据管理、数据质量管理、数据API服务等等功能的大数据开发IDE套件。类似Spark和HUE的关系，不知道这个对比是否准确。

想测试、体验MaxCompute，成本费用高吗？

不高，应该说很低。MaxCompute提供了按作业付费的模式，其中单个作业的费用有和作业处理的数据大小密切相关。开通按量付费服务，并创建1项目。利用MaxCompute客户端工具(ODPSCMD)或者在dataworks里，创建表并上传测试数据，就可以开始测试体验了。数据不大的话，10元钱可以用很长一段时间。

当然，MaxCompute还有独占资源的模式，出于费用可控的考虑，也选择了预付费的模式。

另外，MaxCompute马上推出”开发者版”，每个月为开发者赠送一定的免费额度用于开发、学习。

MaxCompute存储目前只暴露表，能处理非结构化数据吗？

可以，非结构化数据可以存放在OSS上，一种方式是通过外表方式，通过自定义Extractor来实现非结构化处理为结构化数据的逻辑。另外，也可以用Spark on MaxCompute对OSS进行访问，通过Spark程序对OSS目录下的文件进行抽取转换，结果写入MaxCompute表。

支持哪些数据源接入到MaxCompute

通过Dataworks数据集成服务或者自己使用DataX，可以实现阿里云上的各种离线数据源如数据库、HDFS、FTP等数据源的接入；

也可以用MaxCompute Tunnel工具/SDK，通过命令或SDK批量进行数据上传、下载；

流式数据，可以利用MaxCompute提供的Flume/logstash插件，将流式数据写入Datahub，然后归档到MaxCompute表；

支持阿里云SLS、DTS服务数据写入MaxCompute表；

总结

本文简要介绍了MaxCompute这个产品基本概念和功能，并和大家熟悉的开源社区服务进行了对比映射，希望对大家快速了解阿里云大数据计算服务。

原文链接
本文为云栖社区原创内容，未经允许不得转载。