使用基于Snowflake的Snowpark DataFrames进行数据处理

简介

Snowpark是Snowflake一个新的开发库，它提供了一个API让用户可以使用编程语言像Scala(后续也会有Java和Python)来代替SQL进行数据处理。

Snowpark的核心概念是Dataframe(数据框)，它表示一组数据，就比如说一些数据库表的行，我们可以用最喜欢的工具通过面向对象或者函数式编程的方式处理。Snowpark Dataframes的概念类似于Apache Spark或者Python中Pandas包的Dataframes的含义，是一种表格型的数据结构。

开发者也可以创建自定义函数推送到Snowflake服务器，来更方便地处理数据。Snowpark的代码执行采用了惰性计算的方式，这减少了从Snowpark仓库到客户端之间的数据流转。

当前版本的Snowpark可以运行在Scala 2.12和JDK 8、9、10或11上。它现在处于公开预览阶段，可用于所有账户。

架构特点

从架构的角度来看，Snowpark客户端类似于Apache Spark Driver程序。它执行用户在客户端编写的代码并转为SQL语句推送给Snowpark数据仓库，等Snowpark计算服务端处理完数据后，接收以Dataframe格式组成的返回结果。

广义的说，Snowpark数据仓库的操作可以分为两类：转换和执行。由于转换是延迟执行的，因此它们不会触发Dataframes数据的计算处理过程。像select(查询)，filter(过滤)，sort(排序)，groupBy(分组)等等都属于转换范畴的操作。而执行是正好相反的，它们会触发对Dataframes数据的计算。Snowpark将针对Dataframe数据的SQL语句发送到服务端进行计算，然后将结果返回给客户端内存。show，collect，take等都属于执行操作。

Snowpark执行

在我们可以执行任何Snowpark转换和执行之前，我们需要先连接到Snowpark数据仓库并建立会话。

Scala
object Main {
  def main(args: Array[String]): Unit = {
    // Replace the <placeholders> below.
    val configs = Map (
      "URL" -> "https://<SNOWFLAKE-INSTANCE>.snowflakecomputing.com:443",
      "USER" -> "<USERNAME>",
      "PASSWORD" -> "<PASSWORD>",
      "ROLE" -> "SYSADMIN",
      "WAREHOUSE" -> "SALESFORCE_ACCOUNT",
      "DB" -> "SALESFORCE_DB",
      "SCHEMA" -> "SALESFORCE"
    )
    val session = Session.builder.configs(configs).create
    session.sql("show tables").show()
  }
}

从Snowpark管理页面上看，我们有一个SALESFORCE_DB数据库和一个有3个表的SALESFORCE：SALESFORCE_ACCOUNT表表示来自Salesforce实例的账户，SALESFORCE_ORDER表存储由这些账户发起的订单，SALESFORCE_ACCOUNT_ORDER是一个关联表，存储关联的查询结果(我们在这篇文章的后面会再论述这点)。

要检索Salesforce_Account表的前10行，我们可以简单地执行以下Dataframe方法：

Scala

 // Create a Dataframe from the data in the "salesforce_account" table.
    val dfAccount = session.table("salesforce_account")
     // To print out the first 10 rows, call:
     dfAccount.show()

Snowpark会把代码转换成SQL语句并交给Snowflake执行：

Scala

[main] INFO com.snowflake.snowpark.internal.ServerConnection - Execute query [queryID: XXXX]  SELECT  *  FROM ( SELECT  *  FROM (salesforce_account)) LIMIT 10

在我们的VSCode IDE中的输出看起来像这样:

我们也可以过滤某些行并执行Dataframe的转换(例如，选择指定的列)：

Scala

    val dfFilter = session.table("salesforce_account").filter(col("type") === "Customer - Direct")
     dfFilter.show()
     val dfSelect = session.table("salesforce_account").select(col("accountname"), col("phone"))
     dfSelect.show()

Snowpark将生成相应的SQL查询，并将它们交给Snowflake计算服务器执行：

[main] INFO com.snowflake.snowpark.internal.ServerConnection - Execute query [queryID: XXXX]  SELECT  *  FROM ( SELECT  *  FROM ( SELECT  *  FROM (salesforce_account)) WHERE ("TYPE" = 'Customer - Direct')) LIMIT 10
  
 [main] INFO com.snowflake.snowpark.internal.ServerConnection - Execute query [queryID: XXXX]  SELECT  *  FROM ( SELECT "ACCOUNTNAME", "PHONE" FROM ( SELECT  *  FROM (salesforce_account))) LIMIT 10

下面是在VSCode中的输出：

Snowpark Dataframe API也允许Dataframes数据间的拼接关联。在这个例子中，我们有SALESFORCE_ORDER表，记录了由Salesforce账户产生的账单数据，我们可以将这些数据拉到Dataframe中，并将它们与账户记录连接起来：

Scala

    val dfOrder = session.table("salesforce_order")
     dfOrder.show()
     val dfJoin = dfAccount.join(dfOrder, col("sfdcid") === col("accountid")).select(col("accountname"), col("phone"),col("productname"), col("amount"))
     dfJoin.show()

Snowflake把Dataframe方法转换为SQL语句，然后推送给Snowflake数据仓库进行计算。在VSCode中输出如下：

如果我们想持久化保存计算结果，可以使用saveAsTable这个方法：

Scala

 dfJoin.write.mode(SaveMode.Overwrite).saveAsTable("salesforce_account_order")

生成的SQL语句看起来就像这样：

Scala

[main] INFO com.snowflake.snowpark.internal.ServerConnection - Execute query [queryID: XXXX]  CREATE  OR  REPLACE  TABLE salesforce_account_order AS  SELECT  *  FROM ( SELECT "ACCOUNTNAME", "PHONE", "PRODUCTNAME", "AMOUNT" FROM ( SELECT  *  FROM (( SELECT "ACCOUNTNAME" AS "ACCOUNTNAME", "PHONE" AS "PHONE", "TYPE" AS "TYPE", "SFDCID" AS "SFDCID" FROM ( SELECT  *  FROM (salesforce_account))) AS SNOWPARK_TEMP_TABLE_UKKLR6UCHN6POXL INNER JOIN ( SELECT "ACCOUNTID" AS "ACCOUNTID", "PRODUCTNAME" AS "PRODUCTNAME", "AMOUNT" AS "AMOUNT" FROM ( SELECT  *  FROM (salesforce_order))) AS SNOWPARK_TEMP_TABLE_36DEOZXTQJUYKLD ON ("SFDCID" = "ACCOUNTID"))))

随后，Snowpark会创建一个新表或者替换掉已存在的旧表，来存储生成的数据：

结语

Snowpark为数据处理提供了丰富的操作和工具。它允许用户创建非常复杂的高级数据处理管道操作。将用户自定义的代码推到Snowflake数据仓库服务端，并通过减少不必要的数据传输，在数据端执行，这是Snowpark的一个非常强大的特性。

译者介绍

卢鑫旺，51CTO社区编辑，半路出家的九零后程序员。做过前端页面，写过业务接口，搞过爬虫，研究过JS，有幸接触Golang，参与微服务架构转型。目前主写Java，负责公司可定制化低代码平台的数据引擎层设计开发工作。

原文标题：Snowflake Data Processing With Snowpark Dataframes，作者：Istvan Szegedi