阿里云大数据ACP认证知识点梳理4——基础SQL语句(DDL部分)

简介: MAXCOMPUTE所用典型SQL语句(DDL部分)

creat table page_view (
user_id bigint,view_time bigint,page_url string,referrer_url string,ip string comment 'creat table sql') partitioned by (dt string,country string);
注:comment后为注释,用单引号区分。分区字段单列,dt和country为两个分区,根据顺序dt为一级分区,country为二级分区,MAXCOMPUTE支持的最大分区数为6个,表的最大列数为1200列。

creat table page_view_test like page_view;
注:like语句只复制表的结构,schema相同,新建的表中没有数据,也不复制原表的生命周期。

creat table page_view_url as select page_url,referrer_url from page view;
注:as语句只复制表的数据,不完全复制表的结构,新建的表中没有分区,也不复制原表的生命周期。

备注:Partitioned by指定表的分区字段,目前支持Tinyint、Smallint、 Int、 Bigint、Varchar和String类型。分区值不允许有双字节字符(如中文),必须是以英文字母a-z,A-Z开始后可跟字母数字,名称的长度不超过128字节。一张表最多允许60000个分区,单表的分区层次不能超过6级。注释内容是长度不超过1024字节的有效字符串。

desc page_view;
注:查看表的信息

desc extended page_view;
注:查看外部表的信息

drop table page_view;
注:删除表

drop table if exists page_view;
注:删除表,如果不指定if exists选项而表不存在,则返回异常。若指定此选项,无论表是否存在,皆返回成功。

alter table page_view rename to page_view_1;
注:修改表的名字

alter table page_view set comment 'new';
注:修改表的注释

turncate table page_view;
注:清除非分区表中的信息

turncate table page_view drop partition (dt='2011-12-17);
注:清除分区表中某个分区的信息

creat table page_view (user_id bigint) lifecycle 100;
注:新建表并把表的生命周期设置为100天。

alter table page_view set lifecycle 50;
注:修改已经有的表格生命周期为50天。

alter table page_view add if not exists partition (dt='2015-1-1',region='shanghai');
注:增加分区,仅支持新增分区,不支持新增分区字段。如果未指定if not exists而同名的分区已存在,则出错返回。目前MaxCompute单表支持的分区数量上限为6万。对于多级分区的表,如果想添加新的分区,必须指明全部的分区值。

alter table page_view drop if exists partiton (dt='2015-1-1',region='shanghai');
注:删除分区。如果分区不存在且未指定if exists,则报错返回。

alter table page_view add columns (id bigint,url string);
注:增加列

alter table page_view change column id rename to id_1;
注:修改列的名字

alter table page_view change column id comment 'change';
注:修改列的注释

alter table page_view partition (dt='2013-01-01') rename to partition (dt='2013-01-02');
注:修改分区列的值,不支持修改分区列列名,只能修改分区列对应的值。修改多级分区的一个或者多个分区值,多级分区的每一级的分区值都必须写上。

creat view if not exists data_1;
注:创建视图。创建视图时,必须有对视图所引用表的读权限。视图只能包含一个有效的select语句。视图可以引用其它视图,但不能引用自己,也不能循环引用。不允许向视图写入数据,例如使用insert into或者insert overwrite操作视图。当建好视图后,如果视图的引用表发生了变更,有可能导致视图无法访问,例如删除被引用表。您需要自己维护引用表及视图之间的对应关系。如果没有指定if not exists,在视图已经存在时用create view会导致异常。这种情况可以用create or replace view来重建视图,重建后视图本身的权限保持不变。

drop view if exists data_1;
注:删除视图。

alter view data_1 rename to data_2;
注:修改视图名称。

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
|
3月前
|
SQL 存储 分布式计算
【万字长文,建议收藏】《高性能ODPS SQL章法》——用古人智慧驾驭大数据战场
本文旨在帮助非专业数据研发但是有高频ODPS使用需求的同学们(如数分、算法、产品等)能够快速上手ODPS查询优化,实现高性能查数看数,避免日常工作中因SQL任务卡壳、失败等情况造成的工作产出delay甚至集群资源稳定性问题。
1105 36
【万字长文,建议收藏】《高性能ODPS SQL章法》——用古人智慧驾驭大数据战场
|
4月前
|
SQL 分布式计算 大数据
SparkSQL 入门指南:小白也能懂的大数据 SQL 处理神器
在大数据处理的领域,SparkSQL 是一种非常强大的工具,它可以让开发人员以 SQL 的方式处理和查询大规模数据集。SparkSQL 集成了 SQL 查询引擎和 Spark 的分布式计算引擎,使得我们可以在分布式环境下执行 SQL 查询,并能利用 Spark 的强大计算能力进行数据分析。
|
6月前
|
SQL 人工智能 分布式计算
别再只会写SQL了!这五个大数据趋势正在悄悄改变行业格局
别再只会写SQL了!这五个大数据趋势正在悄悄改变行业格局
133 0
|
8月前
|
SQL 关系型数据库 MySQL
大数据新视界--大数据大厂之MySQL数据库课程设计:MySQL 数据库 SQL 语句调优方法详解(2-1)
本文深入介绍 MySQL 数据库 SQL 语句调优方法。涵盖分析查询执行计划,如使用 EXPLAIN 命令及理解关键指标;优化查询语句结构,包括避免子查询、减少函数使用、合理用索引列及避免 “OR”。还介绍了索引类型知识,如 B 树索引、哈希索引等。结合与 MySQL 数据库课程设计相关文章,强调 SQL 语句调优重要性。为提升数据库性能提供实用方法,适合数据库管理员和开发人员。
|
9月前
|
SQL 大数据 数据挖掘
玩转大数据:从零开始掌握SQL查询基础
玩转大数据:从零开始掌握SQL查询基础
368 35
|
8月前
|
关系型数据库 MySQL 大数据
大数据新视界--大数据大厂之MySQL 数据库课程设计:MySQL 数据库 SQL 语句调优的进阶策略与实际案例(2-2)
本文延续前篇,深入探讨 MySQL 数据库 SQL 语句调优进阶策略。包括优化索引使用,介绍多种索引类型及避免索引失效等;调整数据库参数,如缓冲池、连接数和日志参数;还有分区表、垂直拆分等其他优化方法。通过实际案例分析展示调优效果。回顾与数据库课程设计相关文章,强调全面认识 MySQL 数据库重要性。为读者提供综合调优指导,确保数据库高效运行。
|
9月前
|
SQL 容灾 关系型数据库
阿里云DTS踩坑经验分享系列|DTS打通SQL Server数据通道能力介绍
SQL Server 以其卓越的易用性和丰富的软件生态系统,在数据库行业中占据了显著的市场份额。作为一款商业数据库,外部厂商在通过解析原生日志实现增量数据捕获上面临很大的挑战,DTS 在 SQL Sever 数据通道上深研多年,提供了多种模式以实现 SQL Server 增量数据捕获。用户可以通过 DTS 数据传输服务,一键打破自建 SQL Server、RDS SQL Server、Azure、AWS等他云 SQL Server 数据孤岛,实现 SQL Server 数据源的流动。
579 0
阿里云DTS踩坑经验分享系列|DTS打通SQL Server数据通道能力介绍
|
SQL 算法 大数据
为什么大数据平台会回归SQL
在大数据领域,尽管非结构化数据占据了大数据平台80%以上的存储空间,结构化数据分析依然是核心任务。SQL因其广泛的应用基础和易于上手的特点成为大数据处理的主要语言,各大厂商纷纷支持SQL以提高市场竞争力。然而,SQL在处理复杂计算时表现出的性能和开发效率低下问题日益凸显,如难以充分利用现代硬件能力、复杂SQL优化困难等。为了解决这些问题,出现了像SPL这样的开源计算引擎,它通过提供更高效的开发体验和计算性能,以及对多种数据源的支持,为大数据处理带来了新的解决方案。
|
SQL 存储 算法
比 SQL 快出数量级的大数据计算技术
SQL 是大数据计算中最常用的工具,但在实际应用中,SQL 经常跑得很慢,浪费大量硬件资源。例如,某银行的反洗钱计算在 11 节点的 Vertica 集群上跑了 1.5 小时,而用 SPL 重写后,单机只需 26 秒。类似地,电商漏斗运算和时空碰撞任务在使用 SPL 后,性能也大幅提升。这是因为 SQL 无法写出低复杂度的算法,而 SPL 提供了更强大的数据类型和基础运算,能够实现高效计算。