Azure Synapse Analytics Serverless

V2AS问路

Azure Synapse Analytics Serverless

阅读原文时间：2021年05月30日阅读：2

自从Databricks提出Lakehouse后，同时Snowflake的上市，湖仓一体成为数据领域最火热的话题。

https://databricks.com/blog/2020/01/30/what-is-a-data-lakehouse.html

核心的理念是Delta Lake使Hadoop有了ACID事务能力，使用Spark内存做实时，批，AI计算层。

这样就可以用分布式文件存储颠覆关系数据库存储。

数仓一直有3种类型，概念上和物理上：

一体机

Oracle Exadata，Teradata

价格，软硬件无法解耦

MPP

Greenplum

数据分片始终会遇到数据倾斜问题

数据库

Oracle，SQL Server

100T以下容量数仓，使用列存储索引

//Snowflake是介于一体机和MPP之间的一种

//Hive没有事务，不支持update

数仓&BI架构

https://docs.microsoft.com/en-us/power-bi/guidance/center-of-excellence-business-intelligence-solution-architecture

数据湖仓库可以分解为两种类型的架构：

第一种是数据湖（以使用读取存储模式的形式），称之为NOEDW，

第二种数据湖和关系数据库（以企业数据仓库或 EDW 的形式），将称之为ProEDW

对于 NoEDW，我的思维过程是，如果您试图使数据湖像关系数据库一样工作，为什么不只使用关系数据库呢？然后让数据湖做它擅长的事情，关系数据库做它擅长的事情？

将关系数据库纳入数据湖仓的额外成本、复杂性和价值时间是值得的，原因有很多，其中之一是关系数据库将元数据与数据相结合，与在许多情况下元数据与数据分离的数据湖相比，自助 BI 更容易。当您处理来自许多不同来源的数据时，这种情况变得更加明显。

https://www.jamesserra.com/archive/2021/01/data-lakehouse-defined/

这篇blog很好的解析了数据湖仓概念。

很多家厂商在提湖仓一体的产品，主要是4种开源组合：

Hadoop(Hudi)-存储
Presto做虚拟连接-联邦查询
Spark内存计算-ETL
PostgreSQL MPP-数据集市

目前最成熟的商业产品就是Azure Synapse Analytics

MPP数仓和无服务器SQL
用于大数据的Databricks/Spark
Low/No Code的ETL/ELT数据编排
一站式Web开发环境
与 Power BI、CosmosDB 和 AzureML等深度集成

功能有很多就不展开介绍了，这次只谈Azure Synapse Analytics Serverless，核心有2点：

用户界面就是SQL Server
使用T-SQL查询对象存储文件

https://docs.microsoft.com/zh-cn/azure/synapse-analytics/sql/on-demand-workspace-overview

另外支持Azure Cosmos DB做HTAP

https://docs.microsoft.com/zh-cn/azure/cosmos-db/synapse-link

PPT

使用场景

数据湖探索 - 快速探索 Data Lake 中各种格式（Parquet、CSV、JSON）的数据。
逻辑数据仓库 – 基于原始数据提供关系抽象，而无需重新转换数据。
数据转换 - 使用 T-SQL 以简单、可缩放且高效的方式转换 Data Lake 中的数据，以便可将数据推送到 BI 和其他工具，存储到关系数据库。

用户角色

数据工程师: 转换和准备数据，简化ETL/ELT数据集成管道
数据科学家: 快速使用数据湖的内容做AI和机器学习
数据分析师: 使用熟悉的 T-SQL，Spark查询和分析数据
BI专业人员：快速基于数据湖中的数据创建 Power BI报表

查询外部文件

Azure Data Lake在对象存储的基础上增加了文件层级目录结构，面向大数据分析优化。

https://docs.microsoft.com/zh-cn/azure/synapse-analytics/sql/query-data-storage

视图

外表

查询结果导出

复杂查询

/*分页查询*/
select countries_and_territories, year, month, day, cases
from openrowset(
bulk 'https://pandemicdatalake.blob.core.windows.net/public/curated/covid-19/ecdc_cases/latest/ecdc_cases.parquet',
format = 'parquet') as rows
order by year, month, day
OFFSET 30 ROWS
FETCH NEXT 10 ROWS ONLY;

/*字符组合*/
select top 10 geo_id, year, month, cases = '{' + string_agg(concat('"',day,'":',cases), ',')
within group (order by day asc) + '}'
from openrowset(
bulk 'https://pandemicdatalake.blob.core.windows.net/public/curated/covid-19/ecdc_cases/latest/ecdc_cases.parquet',
format = 'parquet') as rows
group by geo_id, year, month;

/*透视*/
with cases as (
select countries_and_territories, year, month, day, cases
from openrowset(
bulk 'https://pandemicdatalake.blob.core.windows.net/public/curated/covid-19/ecdc_cases/latest/ecdc_cases.parquet',
format = 'parquet') as rows
)
select top 10 *
from cases
PIVOT (
SUM (cases) FOR day IN ( [1], [2], [3], [4], [5], [6], [7])
) AS months

/*逆透视*/
with cases as (
select countries_and_territories, year, month, day, cases, deaths
from openrowset(
bulk 'https://pandemicdatalake.blob.core.windows.net/public/curated/covid-19/ecdc_cases/latest/ecdc_cases.parquet',
format = 'parquet') as rows
where continent_exp = 'Europe'
and year = 2020
)
select top 100 countries_and_territories, year, month, day, property, value
from cases
UNPIVOT (
value FOR property IN ( [cases], [deaths] )
) AS unpivoted

/*会话上下文*/
CREATE OR ALTER VIEW cases
AS SELECT * FROM openrowset(
bulk 'https://pandemicdatalake.blob.core.windows.net/public/curated/covid-19/ecdc_cases/latest/ecdc_cases.parquet',
format = 'parquet') as rows
WHERE continent_exp = CAST(SESSION_CONTEXT(N'continent') AS VARCHAR(8000))

exec sp_set_session_context 'continent', 'Europe';
SELECT TOP 10 * FROM cases

https://techcommunity.microsoft.com/t5/blogs/blogarticleprintpage/blog-id/AzureSynapseAnalyticsBlog/article-id/175

缺点

不支持缓存，不支持查询Azure SQL/PostgreSQL/SQL DW

//估计今年会支持这2大特性

Power BI组合

由于是按查询量计费，目前版本没有缓存，不适合高频查询。将数据全加载在Power BI内存模型，Power BI访问是按用户计费，可以无限查询访问，刚好解决此问题，定时刷新报告即可。还可利用Power BI的聚合表，复合模型特性功能。

聚合表

https://docs.microsoft.com/zh-cn/power-bi/transform-model/desktop-aggregations

复合模型

https://docs.microsoft.com/zh-cn/power-bi/connect-data/desktop-directquery-datasets-azure-analysis-services

Power BI本身可以直接查询Azure Data Lake，不需要通过Azure Synapse Analytics Serverless，两者的比较可以查看相关文章。

推荐使用Parquet，支持下压
直接查询Serverless没有速度优势
在有转换逻辑下有query folding情况下Serverless会更快

https://blog.crossjoin.co.uk/2021/01/24/comparing-the-performance-of-importing-data-into-power-bi-from-adlsgen2-direct-and-via-azure-synapse-analytics-serverless/

https://blog.crossjoin.co.uk/2021/01/31/comparing-the-performance-of-importing-data-into-power-bi-from-adlsgen2-direct-and-via-azure-synapse-analytics-serverless-part-2-transformations/

https://datamonkeysite.com/2021/01/07/pushdown-filters-in-synapse-serverless-from-powerbi/

另外Power BI已支持Parquet文件。

SSAS组合

SSAS模型中表的不同分区可以是不同数据源，做冷热分离。

Azure SQL组合

有许多情况下，您可能需要从 Azure SQL 数据库访问放置在 Azure 数据湖上的外部数据，但Azure SQL目前不支持Polybase虚拟化查询外表（SQL Server可以）。可以通过Synapse Analytics Serverless间接实现。

/*Synapse中创建外表*/
CREATE EXTERNAL TABLE csv.YellowTaxi (
pickup_datetime DATETIME2, dropoff_datetime DATETIME2, passenger_count INT, …
) WITH ( data_source= MyAdls, location = '/**/*.parquet', file_format = ParquetFormat);

/*Azure SQL中建外部数据源*/
CREATE MASTER KEY ENCRYPTION BY PASSWORD = 'put some strong password here';
GO
CREATE DATABASE SCOPED CREDENTIAL SynapseSqlCredential
WITH IDENTITY = '', SECRET = '';
GO
CREATE EXTERNAL DATA SOURCE SynapseSqlDataSource
WITH (
TYPE = RDBMS,
LOCATION = '-ondemand.sql.azuresynapse.net',
DATABASE_NAME = 'SampleDB',
CREDENTIAL = SynapseSqlCredential
);
GO

/*Azure SQL中建Synapse外表*/
CREATE SCHEMA csv;
GO
CREATE EXTERNAL TABLE csv.YellowTaxi(
vendor_id VARCHAR(100) COLLATE Latin1_General_BIN2,
pickup_datetime DATETIME2,
dropoff_datetime DATETIME2,
passenger_count INT,
trip_distance FLOAT,
rate_code INT,
store_and_fwd_flag VARCHAR(100) COLLATE Latin1_General_BIN2,
pickup_location_id INT,
dropoff_location_id INT,
payment_type INT,
fare_amount FLOAT,
extra FLOAT,
mta_tax FLOAT,
tip_amount FLOAT,
tolls_amount FLOAT,
improvement_surcharge FLOAT,
total_amount FLOAT
)
WITH ( DATA_SOURCE = SynapseSqlDataSource );