Skip to content

Latest commit

 

History

History
307 lines (233 loc) · 9.07 KB

LOAD.md

File metadata and controls

307 lines (233 loc) · 9.07 KB

LOAD

description

Palo 目前支持以下4种导入方式：

1. Hadoop Load：基于 MR 进行 ETL 的导入。
2. Broker Load：使用 broker 进行进行数据导入。
3. Stream Load：通过 http 协议进行流式数据导入。

本帮助主要描述第一种导入方式，即 Hadoop Load 相关帮助信息。其余导入方式可以使用以下命令查看帮助：

!!!该导入方式可能在后续某个版本即不再支持，建议使用其他导入方式进行数据导入。!!!

  1. help broker load;
  2. help stream load;

Hadoop Load 仅适用于百度内部环境。公有云、私有云以及开源环境无法使用这种导入方式。 该导入方式必须设置用于 ETL 的 Hadoop 计算队列，设置方式可以通过 help set property 命令查看帮助。

语法：

LOAD LABEL load_label
(
data_desc1[, data_desc2, ...]
)
[opt_properties];

  1. load_label

    当前导入批次的标签。在一个 database 内唯一。 语法：

    [database_name.]your_label

  2. data_desc

    用于描述一批导入数据。 语法：

    DATA INFILE
(
"file_path1"[, file_path2, ...]
)
[NEGATIVE]
INTO TABLE `table_name`
[PARTITION (p1, p2)]
[COLUMNS TERMINATED BY "column_separator"]
[FORMAT AS "file_type"]
[(column_list)]
[COLUMNS FROM PATH AS (columns_from_path)]
[SET (k1 = func(k2))]

    说明：

    file_path:

    文件路径，可以指定到一个文件，也可以用 * 通配符指定某个目录下的所有文件。通配符必须匹配到文件，而不能是目录。

    PARTITION:

    如果指定此参数，则只会导入指定的分区，导入分区以外的数据会被过滤掉。 如果不指定，默认导入table的所有分区。

    NEGATIVE：

    如果指定此参数，则相当于导入一批“负”数据。用于抵消之前导入的同一批数据。 该参数仅适用于存在 value 列，并且 value 列的聚合类型仅为 SUM 的情况。

    column_separator：

    用于指定导入文件中的列分隔符。默认为 \t 如果是不可见字符，则需要加\x作为前缀，使用十六进制来表示分隔符。 如hive文件的分隔符\x01，指定为"\x01"

    file_type：

    用于指定导入文件的类型，例如：parquet、orc、csv。默认值通过文件后缀名判断。

    column_list：

    用于指定导入文件中的列和 table 中的列的对应关系。 当需要跳过导入文件中的某一列时，将该列指定为 table 中不存在的列名即可。

    语法：

    (col_name1, col_name2, ...)

    columns_from_path:

    用于指定需要从文件路径中解析的字段。

    语法：

    (col_from_path_name1, col_from_path_name2, ...)

    SET:

    如果指定此参数，可以将源文件某一列按照函数进行转化，然后将转化后的结果导入到table中。 目前支持的函数有：

    strftime(fmt, column) 日期转换函数 fmt: 日期格式，形如%Y%m%d%H%M%S (年月日时分秒) column: column_list中的列，即输入文件中的列。存储内容应为数字型的时间戳。 如果没有column_list，则按照palo表的列顺序默认输入文件的列。

    time_format(output_fmt, input_fmt, column) 日期格式转化 output_fmt: 转化后的日期格式，形如%Y%m%d%H%M%S (年月日时分秒) input_fmt: 转化前column列的日期格式，形如%Y%m%d%H%M%S (年月日时分秒) column: column_list中的列，即输入文件中的列。存储内容应为input_fmt格式的日期字符串。 如果没有column_list，则按照palo表的列顺序默认输入文件的列。

    alignment_timestamp(precision, column) 将时间戳对齐到指定精度 precision: year|month|day|hour column: column_list中的列，即输入文件中的列。存储内容应为数字型的时间戳。 如果没有column_list，则按照palo表的列顺序默认输入文件的列。 注意：对齐精度为year、month的时候，只支持20050101~20191231范围内的时间戳。

    default_value(value) 设置某一列导入的默认值 不指定则使用建表时列的默认值

    md5sum(column1, column2, ...) 将指定的导入列的值求md5sum，返回32位16进制字符串

    replace_value(old_value[, new_value]) 将导入文件中指定的old_value替换为new_value new_value如不指定则使用建表时列的默认值

    hll_hash(column) 用于将表或数据里面的某一列转化成HLL列的数据结构

  3. opt_properties

    用于指定一些特殊参数。

    语法：

    [PROPERTIES ("key"="value", ...)]
    可以指定如下参数：
cluster:          导入所使用的 Hadoop 计算队列。
timeout：         指定导入操作的超时时间。默认超时为3天。单位秒。
max_filter_ratio：最大容忍可过滤（数据不规范等原因）的数据比例。默认零容忍。
load_delete_flag：指定该导入是否通过导入key列的方式删除数据，仅适用于UNIQUE KEY，
        导入时可不指定value列。默认为false。

  4. 导入数据格式样例

    整型类（TINYINT/SMALLINT/INT/BIGINT/LARGEINT）：1, 1000, 1234 浮点类（FLOAT/DOUBLE/DECIMAL）：1.1, 0.23, .356 日期类（DATE/DATETIME）：2017-10-03, 2017-06-13 12:34:03。 （注：如果是其他日期格式，可以在导入命令中，使用 strftime 或者 time_format 函数进行转换） 字符串类（CHAR/VARCHAR）："I am a student", "a" NULL值：\N

example

  1. 导入一批数据，指定超时时间和过滤比例。指定导入队列为 my_cluster。

    LOAD LABEL example_db.label1
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
INTO TABLE `my_table`
)
PROPERTIES
(
"cluster" = "my_cluster",
"timeout" = "3600",
"max_filter_ratio" = "0.1"
);

    其中 hdfs_host 为 namenode 的 host，hdfs_port 为 fs.defaultFS 端口（默认9000）

  2. 导入一批数据，包含多个文件。导入不同的 table，指定分隔符，指定列对应关系

    LOAD LABEL example_db.label2
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file1")
INTO TABLE `my_table_1`
COLUMNS TERMINATED BY ","
(k1, k3, k2, v1, v2),
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file2")
INTO TABLE `my_table_2`
COLUMNS TERMINATED BY "\t"
(k1, k2, k3, v2, v1)
);

  3. 导入一批数据，指定hive的默认分隔符\x01，并使用通配符*指定目录下的所有文件

    LOAD LABEL example_db.label3
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/*")
NEGATIVE
INTO TABLE `my_table`
COLUMNS TERMINATED BY "\\x01"
);

  4. 导入一批“负”数据

    LOAD LABEL example_db.label4
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/old_file)
NEGATIVE
INTO TABLE `my_table`
COLUMNS TERMINATED BY "\t"
);

  5. 导入一批数据，指定分区

    LOAD LABEL example_db.label5
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
INTO TABLE `my_table`
PARTITION (p1, p2)
COLUMNS TERMINATED BY ","
(k1, k3, k2, v1, v2)
);

  6. 导入一批数据，指定分区, 并对导入文件的列做一些转化，如下：

    表结构为：
k1 datetime
k2 date
k3 bigint
k4 varchar(20)
k5 varchar(64)
k6 int

假设数据文件只有一行数据，5列，逗号分隔：

1537002087,2018-08-09 11:12:13,1537002087,-,1

数据文件中各列，对应导入语句中指定的各列：
tmp_k1, tmp_k2, tmp_k3, k6, v1

转换如下：

1) k1：将 tmp_k1 时间戳列转化为 datetime 类型的数据
2) k2：将 tmp_k2 datetime 类型的数据转化为 date 的数据
3) k3：将 tmp_k3 时间戳列转化为天级别时间戳
4) k4：指定导入默认值为1
5) k5：将 tmp_k1、tmp_k2、tmp_k3 列计算 md5 值
6) k6：将导入文件中的 - 值替换为 10

    LOAD LABEL example_db.label6
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
INTO TABLE `my_table`
PARTITION (p1, p2)
COLUMNS TERMINATED BY ","
(tmp_k1, tmp_k2, tmp_k3, k6, v1)
SET (
k1 = strftime("%Y-%m-%d %H:%M:%S", tmp_k1),
k2 = time_format("%Y-%m-%d %H:%M:%S", "%Y-%m-%d", tmp_k2),
k3 = alignment_timestamp("day", tmp_k3),
k4 = default_value("1"),
k5 = md5sum(tmp_k1, tmp_k2, tmp_k3),
k6 = replace_value("-", "10")
)
);

  7. 导入数据到含有HLL列的表，可以是表中的列或者数据里面的列

    LOAD LABEL example_db.label7
(
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
INTO TABLE `my_table`
PARTITION (p1, p2)
COLUMNS TERMINATED BY ","
SET (
v1 = hll_hash(k1),
v2 = hll_hash(k2)
)
);

keyword

LOAD