Jupyterlab笔记本中的数据访问

每个受支持的内核都提供了内置功能,允许您从笔记本内的数据集读取Platform数据。 目前,Adobe Experience Platform Data Science Workspace中的JupyterLab支持Python、R、PySpark和Scala的笔记本。 但是,对分页数据的支持仅限于Python和R笔记本。 本指南重点介绍如何使用JupyterLab笔记本访问您的数据。

快速入门

在阅读本指南之前,请查看JupyterLab 用户指南,以详细了解JupyterLab及其在数据科学Workspace中的角色。

笔记本数据限制 notebook-data-limits

IMPORTANT
对于PySpark和Scala笔记本,如果收到错误,原因为“远程RPC客户端已取消关联”。 这通常意味着驱动程序或执行器的内存不足。 尝试切换到“批处理”模式以解决此错误。

以下信息定义了可读取的最大数据量、使用了什么类型的数据以及读取数据的估计时间范围。

对于Python和R,使用配置为40GB RAM的笔记本服务器进行基准测试。 对于PySpark和Scala,配置为64GB RAM、8核、2个DBU且最多4个工作线程的数据库群集用于下面列出的基准。

使用的ExperienceEvent架构数据大小不一,从1,000行(1K)到十亿(1B)行。 请注意,对于PySpark和Spark量度,XDM数据使用了10天的日期范围。

使用Query Service创建表作为选择(CTAS)预处理了临时架构数据。 这些数据也各不相同,从1,000行(1,000行)到最多10亿(1,000行)不等。

何时使用批处理模式与交互模式 mode

读取包含PySpark和Scala笔记本的数据集时,您可以选择使用交互模式或批处理模式来读取数据集。 交互模式用于快速结果,而批处理模式用于大型数据集。

  • 对于PySpark和Scala笔记本,在读取500万行或更多数据时应使用批处理模式。 有关每种模式效率的更多信息,请参阅下面的PySparkScala数据限制表。

Python笔记本数据限制

XDM ExperienceEvent架构: ​您最多可以在22分钟内读取200万行(磁盘上约6.1 GB的数据)的XDM数据。 添加其他行可能会导致错误。

行数
1K
10K
100K
100万
200万
磁盘大小(MB)
18.73
187.5
308
3000
6050
SDK(以秒为单位)
20.3
86.8
63
659
1315

临时架构: ​您应该能够在14分钟内读取非XDM (临时)数据的最多500万行(磁盘上约5.6 GB的数据)。 添加其他行可能会导致错误。

行数
1K
10K
100K
100万
200万
3M
5分钟
磁盘大小(以MB为单位)
1.21
11.72
115
1120
2250
3380
5630
SDK(以秒为单位)
7.27
9.04
27.3
180
346
487
819

R笔记本数据限制

XDM ExperienceEvent架构: ​您在13分钟内最多可读取100万行XDM数据(磁盘上的3GB数据)。

行数
1K
10K
100K
100万
磁盘大小(MB)
18.73
187.5
308
3000
R内核(秒)
14.03
69.6
86.8
775

临时架构: ​您最多可以在10分钟内读取300万行临时数据(磁盘上为293MB数据)。

行数
1K
10K
100K
100万
200万
3M
磁盘大小(以MB为单位)
0.082
0.612
9.0
91
188
293
R SDK(秒)
7.7
4.58
35.9
233
470.5
603

PySpark (Python内核)笔记本数据限制: pyspark-data-limits

XDM ExperienceEvent架构: ​在交互模式下,您应该能够在大约20分钟内读取最多500万行(磁盘上约13.42GB的数据)的XDM数据。 交互模式最多仅支持500万行。 如果要读取更大的数据集,建议切换到批处理模式。 在批处理模式中,您最多可以在14小时内读取5亿行(磁盘上大约1.31TB的数据)的XDM数据。

行数
1K
10K
100K
100万
200万
3M
5分钟
10分钟
50分钟
1亿
5亿
磁盘大小
2.93兆字节
4.38兆字节
29.02
2.69GB
5.39GB
8.09GB
13.42GB
26.82GB
134.24GB
268.39GB
1.31太字节
SDK(交互模式)
33秒
32.4秒
55.1秒
253.5秒
489.2秒
729.6秒
1206.8秒
-
-
-
-
SDK(批处理模式)
815.8秒
492.8秒
379.1秒
637.4秒
624.5秒
869.2秒
1104.1秒
1786年代
5387.2秒
10624.6秒
50547秒

临时架构: ​在交互模式下,您应该可以在3分钟内读取非XDM数据的最多500万行(磁盘上约5.36GB的数据)。 在批处理模式下,您最多可以在18分钟内读取非XDM数据的10亿行(磁盘上大约1.05TB的数据)。

行数
1K
10K
100K
100万
200万
3M
5分钟
10分钟
50分钟
1亿
5亿
1B
磁盘大小
1.12兆字节
11.24兆字节
109.48兆字节
2.69GB
2.14GB
3.21GB
5.36GB
10.71GB
53.58GB
107.52GB
535.88GB
1.05太字节
SDK交互模式(以秒为单位)
28.2秒
18.6秒
20.8秒
20.9秒
23.8秒
21.7秒
24.7秒
-
-
-
-
-
SDK批处理模式(以秒为单位)
428.8秒
578.8秒
641.4秒
538.5秒
630.9秒
467.3秒
411秒
675秒
702秒
719.2秒
1022.1秒
1122.3秒

Spark (Scala内核)笔记本数据限制: scala-data-limits

XDM ExperienceEvent架构: ​在交互模式下,您应该能够在大约18分钟内读取最多500万行(磁盘上约13.42GB的数据)的XDM数据。 交互模式最多仅支持500万行。 如果要读取更大的数据集,建议切换到批处理模式。 在批处理模式中,您最多可以在14小时内读取5亿行(磁盘上大约1.31TB的数据)的XDM数据。

行数
1K
10K
100K
100万
200万
3M
5分钟
10分钟
50分钟
1亿
5亿
磁盘大小
2.93兆字节
4.38兆字节
29.02
2.69GB
5.39GB
8.09GB
13.42GB
26.82GB
134.24GB
268.39GB
1.31太字节
SDK交互模式(以秒为单位)
37.9秒
22.7秒
45.6秒
231.7秒
444.7秒
66秒
1100秒
-
-
-
-
SDK批处理模式(以秒为单位)
374.4秒
398.5秒
527秒
487.9秒
588.9秒
829秒
939.1秒
1441秒
5473.2秒
10118.8
49207.6

临时架构: ​在交互模式下,您应该能够在3分钟内读取最多500万行(磁盘上约5.36GB的数据)的非XDM数据。 在批处理模式下,您最多可以在16分钟内读取非XDM数据的10亿行(磁盘上大约1.05TB的数据)。

行数
1K
10K
100K
100万
200万
3M
5分钟
10分钟
50分钟
1亿
5亿
1B
磁盘大小
1.12兆字节
11.24兆字节
109.48兆字节
2.69GB
2.14GB
3.21GB
5.36GB
10.71GB
53.58GB
107.52GB
535.88GB
1.05太字节
SDK交互模式(以秒为单位)
35.7秒
31秒
19.5秒
25.3秒
23秒
33.2秒
25.5秒
-
-
-
-
-
SDK批处理模式(以秒为单位)
448.8秒
459.7秒
519秒
475.8秒
599.9秒
347.6秒
407.8秒
397秒
518.8秒
487.9秒
760.2秒
975.4秒

Python笔记本 python-notebook

Python笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用入门Python笔记本的更多信息,请访问JupyterLab用户指南中的JupyterLab 启动器部分。

以下Python文档概述了以下概念:

从Python中的数据集读取 python-read-dataset

没有分页:

执行以下代码将读取整个数据集。 如果执行成功,则数据将保存为变量df引用的熊猫数据流。

# Python

from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.read()
df.head()

分页:

执行以下代码将从指定的数据集中读取数据。 通过分别通过函数limit()offset()限制和偏移数据来实现分页。 限制数据是指要读取的最大数据点数,而偏移是指在读取数据之前要跳过的数据点数。 如果读取操作执行成功,则数据将保存为变量df引用的Pandas数据流。

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.limit(100).offset(10).read()

写入Python中的数据集 write-python

要写入JupyterLab笔记本中的数据集,请在JupyterLab的左侧导航中选择“数据”图标选项卡(下面高亮显示)。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并右键单击,然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会显示一个可执行代码条目。

  • 使用​ 在笔记本中写入数据 ​生成包含选定数据集的写入单元格。
  • 使用​ 浏览笔记本中的数据 ​生成选定数据集的读取单元格。
  • 使用​ 笔记本中的查询数据 ​生成包含选定数据集的基本查询单元格。

或者,您可以复制并粘贴以下代码单元格。 同时替换{DATASET_ID}{PANDA_DATAFRAME}

from platform_sdk.models import Dataset
from platform_sdk.dataset_writer import DatasetWriter

dataset = Dataset(get_platform_sdk_client_context()).get_by_id(dataset_id="{DATASET_ID}")
dataset_writer = DatasetWriter(get_platform_sdk_client_context(), dataset)
write_tracker = dataset_writer.write({PANDA_DATAFRAME}, file_format='json')

在Python中使用Query Service查询数据 query-data-python

Platform上的JupyterLab允许您使用Python笔记本中的SQL通过Adobe Experience Platform查询服务访问数据。 通过Query Service访问数据对于处理大型数据集很有用,因为其运行时间较长。 请注意,使用Query Service查询数据的处理时间限制为10分钟。

在JupyterLab中使用Query Service之前,请确保您对Query Service SQL语法有一定的了解。

使用Query Service查询数据需要您提供目标数据集的名称。 您可以使用​ 数据资源管理器 ​查找所需的数据集来生成必要的代码单元格。 右键单击数据集列表并单击​ 在笔记本中查询数据 ​以在笔记本中生成两个代码单元格。 下面将更详细地概述这两个单元格。

为了在JupyterLab中利用Query Service,您必须首先在正在处理的Python笔记本和Query Service之间创建连接。 这可以通过执行第一个生成的单元格来实现。

qs_connect()

在第二个生成的单元格中,必须在SQL查询之前定义第一行。 默认情况下,生成的单元格定义了一个可选变量(df0),该变量将查询结果保存为Pandas数据流。
-c QS_CONNECTION参数是必需的,它告知内核对Query Service执行SQL查询。 有关其他参数的列表,请参阅附录

%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/

通过使用字符串格式语法并将变量括在大括号({})中,可以直接在SQL查询中引用Python变量,如以下示例所示:

table_name = 'name_of_the_dataset'
table_columns = ','.join(['col_1','col_2','col_3'])
%%read_sql demo -c QS_CONNECTION
SELECT {table_columns}
FROM {table_name}

筛选ExperienceEvent数据 python-filter

要访问和筛选Python笔记本中的ExperienceEvent数据集,您必须提供数据集({DATASET_ID})的ID以及使用逻辑运算符定义特定时间范围的筛选规则。 定义时间范围后,将忽略任何指定的分页,并会考虑整个数据集。

筛选运算符列表如下所述:

  • eq():等于
  • gt():大于
  • ge():大于或等于
  • lt():小于
  • le():小于或等于
  • And():逻辑AND运算符
  • Or():逻辑或运算符

以下单元格筛选ExperienceEvent数据集,以使其包含在2019年1月1日至2019年12月31日终了期间专门存在的数据。

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
    where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
    And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()

R笔记本 r-notebooks

R笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用入门R笔记本的更多信息,请访问JupyterLab用户指南中的JupyterLab 启动器部分。

以下R文档概述了以下概念:

从R中的数据集读取 r-read-dataset

没有分页:

执行以下代码将读取整个数据集。 如果执行成功,则数据将保存为变量df0引用的熊猫数据流。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$read()
head(df0)

分页:

执行以下代码将从指定的数据集中读取数据。 通过分别通过函数limit()offset()限制和偏移数据来实现分页。 限制数据是指要读取的最大数据点数,而偏移是指在读取数据之前要跳过的数据点数。 如果读取操作执行成功,则数据将保存为变量df0引用的Pandas数据流。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$limit(100L)$offset(10L)$read()

写入R中的数据集 write-r

要写入JupyterLab笔记本中的数据集,请在JupyterLab的左侧导航中选择“数据”图标选项卡(下面高亮显示)。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并右键单击,然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会显示一个可执行代码条目。

  • 使用​ 在笔记本中写入数据 ​生成包含选定数据集的写入单元格。
  • 使用​ 浏览笔记本中的数据 ​生成选定数据集的读取单元格。

或者,您可以复制并粘贴以下代码单元格:

psdk <- import("platform_sdk")
dataset <- psdk$models$Dataset(py$get_platform_sdk_client_context())$get_by_id(dataset_id="{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(py$get_platform_sdk_client_context(), dataset)
write_tracker <- dataset_writer$write(df, file_format='json')

筛选ExperienceEvent数据 r-filter

要访问和筛选R笔记本中的ExperienceEvent数据集,您必须提供数据集({DATASET_ID})的ID以及使用逻辑运算符定义特定时间范围的筛选规则。 定义时间范围后,将忽略任何指定的分页,并会考虑整个数据集。

筛选运算符列表如下所述:

  • eq():等于
  • gt():大于
  • ge():大于或等于
  • lt():小于
  • le():小于或等于
  • And():逻辑AND运算符
  • Or():逻辑或运算符

以下单元格筛选ExperienceEvent数据集,以使其包含在2019年1月1日至2019年12月31日终了期间专门存在的数据。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")

df0 <- dataset_reader$
    where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
    And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()

PySpark 3笔记本 pyspark-notebook

以下PySpark文档概述了以下概念:

初始化sparkSession spark-initialize

所有Spark 2.4笔记本都要求您使用以下样板代码初始化会话。

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

使用%dataset对PySpark 3笔记本进行读取和写入 magic

随着Spark 2.4的引入,提供了%dataset自定义魔术以用于PySpark 3 (Spark 2.4)笔记本。 有关IPython内核中可用的魔术命令的更多详细信息,请访问IPython魔术文档

用法

%dataset {action} --datasetId {id} --dataFrame {df} --mode batch

描述

用于从PySpark笔记本(Python 3内核)读取或写入数据集的自定义Data Science Workspace魔术命令。

名称
描述
必需
{action}
要对数据集执行的操作的类型。 有两个操作可用“读取”或“写入”。
--datasetId {id}
用于提供要读取或写入的数据集的ID。
--dataFrame {df}

熊猫的数据流。

  • 当操作为“读取”时,{df}是变量,其中数据集读取操作的结果可用(例如数据流)。
  • 当操作为“写入”时,此数据流{df}将写入数据集。
--mode
更改数据读取方式的其他参数。 允许的参数为“batch”和“interactive”。 默认情况下,该模式设置为“批处理”。
建议您“交互”模式以在较小的数据集上提高查询性能。
TIP
查看笔记本数据限制部分中的PySpark表,以确定mode是否应设置为interactivebatch

示例

  • 阅读示例%dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
  • 编写示例%dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
IMPORTANT
在写入数据之前使用df.cache()缓存数据可以大大提高笔记本性能。 如果您收到以下任何错误,这将很有帮助:
  • 由于暂存失败,作业已中止……只能压缩每个分区中具有相同元素数的RDD。
  • 远程RPC客户端已取消关联和其他内存错误。
  • 读取和写入数据集时性能不佳。
有关详细信息,请参阅疑难解答指南

您可以使用以下方法在JupyterLab buy中自动生成上述示例:

选择JupyterLab左侧导航栏中的数据图标选项卡(突出显示如下)。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并右键单击,然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会显示一个可执行代码条目。

  • 使用​ 浏览笔记本中的数据 ​生成读取单元格。
  • 使用​ 在笔记本中写入数据 ​生成写入单元格。

创建本地数据流 pyspark-create-dataframe

要使用PySpark 3创建本地数据流,请使用SQL查询。 例如:

date_aggregation.createOrReplaceTempView("temp_df")

df = spark.sql('''
  SELECT *
  FROM sparkdf
''')

local_df
df = spark.sql('''
  SELECT *
  FROM sparkdf
  LIMIT limit
''')
sample_df = df.sample(fraction)
TIP
您还可以指定可选种子样本,如withReplacement布尔值、双分数或长种子。

筛选ExperienceEvent数据 pyspark-filter-experienceevent

访问和筛选PySpark笔记本中的ExperienceEvent数据集需要您提供数据集标识({DATASET_ID})、组织的IMS标识以及定义特定时间范围的筛选规则。 通过使用函数spark.sql()定义过滤时间范围,其中函数参数是SQL查询字符串。

以下单元格将ExperienceEvent数据集筛选为2019年1月1日至2019年12月31日终了期间专门存在的数据。

# PySpark 3 (Spark 2.4)

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

%dataset read --datasetId {DATASET_ID} --dataFrame df --mode batch

df.createOrReplaceTempView("event")
timepd = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()

Scala笔记本 scala-notebook

以下文档包含有关以下概念的示例:

初始化SparkSession scala-initialize

所有Scala笔记本都要求您使用以下样板代码初始化会话:

import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
  .builder()
  .master("local")
  .getOrCreate()

读取数据集 read-scala-dataset

在Scala中,您可以导入clientContext以获取并返回Platform值,这样就无需定义变量,如var userToken。 在下面的Scala示例中,clientContext用于获取和返回读取数据集所需的所有值。

IMPORTANT
在写入数据之前使用df.cache()缓存数据可以大大提高笔记本性能。 如果您收到以下任何错误,这将很有帮助:
  • 由于暂存失败,作业已中止……只能压缩每个分区中具有相同元素数的RDD。
  • 远程RPC客户端已取消关联和其他内存错误。
  • 读取和写入数据集时性能不佳。
有关详细信息,请参阅疑难解答指南
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
val df1 = spark.read.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("service-token", clientContext.getServiceToken())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .load()

df1.printSchema()
df1.show(10)
元素
描述
df1
一个变量,表示用于读取和写入数据的Pandas数据流。
user-token
使用clientContext.getUserToken()自动获取的用户令牌。
service-token
使用clientContext.getServiceToken()自动获取的服务令牌。
ims-org
使用clientContext.getOrgId()自动获取的组织ID。
api-key
使用clientContext.getApiKey()自动获取的API密钥。
TIP
查看笔记本数据限制部分中的Scala表以确定mode是否应设置为interactivebatch

可以使用以下方法在JupyterLab buy中自动生成上述示例:

选择JupyterLab左侧导航栏中的数据图标选项卡(突出显示如下)。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并右键单击,然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中浏览数据 ​选项。 笔记本底部会显示一个可执行代码条目。

  • 使用​ 浏览笔记本中的数据 ​生成读取单元格。
  • 使用​ 在笔记本中写入数据 ​生成写入单元格。

写入数据集 scala-write-dataset

在Scala中,您可以导入clientContext以获取并返回Platform值,这样就无需定义变量,如var userToken。 在下面的Scala示例中,clientContext用于定义和返回写入数据集所需的所有值。

IMPORTANT
在写入数据之前使用df.cache()缓存数据可以大大提高笔记本性能。 如果您收到以下任何错误,这将很有帮助:
  • 由于暂存失败,作业已中止……只能压缩每个分区中具有相同元素数的RDD。
  • 远程RPC客户端已取消关联和其他内存错误。
  • 读取和写入数据集时性能不佳。
有关详细信息,请参阅疑难解答指南
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
df1.write.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("service-token", clientContext.getServiceToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .save()
元素
描述
df1
一个变量,表示用于读取和写入数据的Pandas数据流。
user-token
使用clientContext.getUserToken()自动获取的用户令牌。
service-token
使用clientContext.getServiceToken()自动获取的服务令牌。
ims-org
使用clientContext.getOrgId()自动获取的组织ID。
api-key
使用clientContext.getApiKey()自动获取的API密钥。
TIP
查看笔记本数据限制部分中的Scala表以确定mode是否应设置为interactivebatch

创建本地数据流 scala-create-dataframe

要使用Scala创建本地数据流,需要SQL查询。 例如:

sparkdf.createOrReplaceTempView("sparkdf")

val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)

筛选ExperienceEvent数据 scala-experienceevent

访问和筛选Scala笔记本中的ExperienceEvent数据集需要您提供数据集标识({DATASET_ID})、组织的IMS标识以及定义特定时间范围的筛选规则。 使用函数spark.sql()定义筛选时间范围,其中函数参数是SQL查询字符串。

以下单元格将ExperienceEvent数据集筛选为2019年1月1日至2019年12月31日终了期间专门存在的数据。

// Spark (Spark 2.4)

// Turn off extra logging
import org.apache.log4j.{Level, Logger}
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = org.apache.spark.sql.SparkSession.builder().appName("Notebook")
  .master("local")
  .getOrCreate()

// Stage Exploratory
val dataSetId: String = "{DATASET_ID}"
val orgId: String = sys.env("IMS_ORG_ID")
val clientId: String = sys.env("PYDASDK_IMS_CLIENT_ID")
val userToken: String = sys.env("PYDASDK_IMS_USER_TOKEN")
val serviceToken: String = sys.env("PYDASDK_IMS_SERVICE_TOKEN")
val mode: String = "batch"

var df = spark.read.format("com.adobe.platform.query")
  .option("user-token", userToken)
  .option("ims-org", orgId)
  .option("api-key", clientId)
  .option("mode", mode)
  .option("dataset-id", dataSetId)
  .option("service-token", serviceToken)
  .load()
df.createOrReplaceTempView("event")
val timedf = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timedf.show()

后续步骤

本文档介绍了使用JupyterLab笔记本访问数据集的一般准则。 有关查询数据集的更深入示例,请访问JupyterLab notebooks中的查询服务文档。 有关如何浏览和可视化数据集的更多信息,请访问使用笔记本分析数据上的文档。

Query Service的可选SQL标记 optional-sql-flags-for-query-service

此表概述了可用于Query Service的可选SQL标记。

标志
描述
-h--help
显示帮助消息并退出。
-n--notify
用于通知查询结果的切换选项。
-a--async
使用此标记可异步执行查询,并可在查询执行时释放内核。 将查询结果分配给变量时,请务必谨慎,因为如果查询不完整,变量可能会未定义。
-d--display
使用此标志可防止显示结果。
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9