[Doc] Add spark load sql statement doc and update manual (#4463)
1. add sql statement in dml 2. update spark load manual
This commit is contained in:
wyb
@ -157,7 +157,7 @@ module.exports = [
|
||||
children:[
|
||||
"udaf-orthogonal-bitmap-manual",
|
||||
],
|
||||
},
|
||||
},
|
||||
],
|
||||
},
|
||||
],
|
||||
@ -437,6 +437,7 @@ module.exports = [
|
||||
"SHOW TABLES",
|
||||
"SHOW TABLET",
|
||||
"SHOW TRANSACTION",
|
||||
"SPARK LOAD",
|
||||
"STOP ROUTINE LOAD",
|
||||
"STREAM LOAD",
|
||||
],
|
||||
|
||||
@ -26,7 +26,7 @@ under the License.
|
||||
|
||||
# Spark Load
|
||||
|
||||
Spark load 通过 Spark 实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
|
||||
Spark load 通过外部的 Spark 资源实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
|
||||
|
||||
Spark load 是一种异步导入方式，用户需要通过 MySQL 协议创建 Spark 类型导入任务，并通过 `SHOW LOAD` 查看导入结果。
|
||||
|
||||
@ -238,7 +238,8 @@ REVOKE USAGE_PRIV ON RESOURCE "spark0" FROM "user0"@"%";
|
||||
```sql
|
||||
LOAD LABEL load_label
|
||||
(data_desc, ...)
|
||||
WITH RESOURCE resource_name resource_properties
|
||||
WITH RESOURCE resource_name
|
||||
[resource_properties]
|
||||
[PROPERTIES (key1=value1, ... )]
|
||||
|
||||
* load_label:
|
||||
@ -251,6 +252,14 @@ LOAD LABEL load_label
|
||||
[PARTITION (p1, p2)]
|
||||
[COLUMNS TERMINATED BY separator ]
|
||||
[(col1, ...)]
|
||||
[COLUMNS FROM PATH AS (col2, ...)]
|
||||
[SET (k1=f1(xx), k2=f2(xx))]
|
||||
[WHERE predicate]
|
||||
|
||||
DATA FROM TABLE hive_external_tbl
|
||||
[NEGATIVE]
|
||||
INTO TABLE tbl_name
|
||||
[PARTITION (p1, p2)]
|
||||
[SET (k1=f1(xx), k2=f2(xx))]
|
||||
[WHERE predicate]
|
||||
|
||||
@ -307,12 +316,11 @@ properties
|
||||
"hive.metastore.uris" = "thrift://0.0.0.0:8080"
|
||||
);
|
||||
|
||||
step 2: 提交load命令
|
||||
step 2: 提交load命令，要求导入的 doris 表中的列必须在 hive 外部表中存在。
|
||||
LOAD LABEL db1.label1
|
||||
(
|
||||
DATA FROM TABLE hive_t1
|
||||
INTO TABLE tbl1
|
||||
(k1,k2,k3)
|
||||
SET
|
||||
(
|
||||
uuid=bitmap_dict(uuid)
|
||||
@ -441,6 +449,10 @@ LoadFinishTime: 2019-07-27 11:50:16
|
||||
+ spark_load_default_timeout_second
|
||||
|
||||
任务默认超时时间为259200秒（3天）。
|
||||
|
||||
+ enable_spark_load
|
||||
|
||||
开启 Spark load 和创建 resource 功能。默认为 false，关闭此功能。
|
||||
|
||||
|
||||
|
||||
|
||||
@ -0,0 +1,265 @@
|
||||
---
|
||||
{
|
||||
"title": "SPARK LOAD",
|
||||
"language": "zh-CN"
|
||||
}
|
||||
---
|
||||
|
||||
<!--
|
||||
Licensed to the Apache Software Foundation (ASF) under one
|
||||
or more contributor license agreements. See the NOTICE file
|
||||
distributed with this work for additional information
|
||||
regarding copyright ownership. The ASF licenses this file
|
||||
to you under the Apache License, Version 2.0 (the
|
||||
"License"); you may not use this file except in compliance
|
||||
with the License. You may obtain a copy of the License at
|
||||
|
||||
http://www.apache.org/licenses/LICENSE-2.0
|
||||
|
||||
Unless required by applicable law or agreed to in writing,
|
||||
software distributed under the License is distributed on an
|
||||
"AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
|
||||
KIND, either express or implied. See the License for the
|
||||
specific language governing permissions and limitations
|
||||
under the License.
|
||||
-->
|
||||
|
||||
# SPARK LOAD
|
||||
## description
|
||||
|
||||
Spark load 通过外部的 Spark 资源实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
|
||||
|
||||
Spark load 是一种异步导入方式，用户需要通过 MySQL 协议创建 Spark 类型导入任务，并通过 `SHOW LOAD` 查看导入结果。
|
||||
|
||||
语法：
|
||||
|
||||
LOAD LABEL load_label
|
||||
(
|
||||
data_desc1[, data_desc2, ...]
|
||||
)
|
||||
WITH RESOURCE resource_name
|
||||
[resource_properties]
|
||||
[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 (col2, ...)]
|
||||
[SET (k1 = func(k2))]
|
||||
[WHERE predicate]
|
||||
|
||||
DATA FROM TABLE hive_external_tbl
|
||||
[NEGATIVE]
|
||||
INTO TABLE tbl_name
|
||||
[PARTITION (p1, p2)]
|
||||
[SET (k1=f1(xx), k2=f2(xx))]
|
||||
[WHERE predicate]
|
||||
|
||||
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。
|
||||
|
||||
hive_external_tbl:
|
||||
|
||||
hive 外部表名。
|
||||
要求导入的 doris 表中的列必须在 hive 外部表中存在。
|
||||
每个导入任务只支持从一个 hive 外部表导入。
|
||||
不能与 file_path 方式同时使用。
|
||||
|
||||
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，目前仅支持csv。
|
||||
|
||||
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, ...)
|
||||
|
||||
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。语法为 `column_name` = expression。
|
||||
仅支持Spark SQL built-in functions，具体可参考 https://spark.apache.org/docs/2.4.6/api/sql/index.html。
|
||||
举几个例子帮助理解。
|
||||
例1: 表中有3个列“c1, c2, c3", 源文件中前两列依次对应(c1,c2)，后两列之和对应c3；那么需要指定 columns (c1,c2,tmp_c3,tmp_c4) SET (c3=tmp_c3+tmp_c4);
|
||||
例2: 表中有3个列“year, month, day"，源文件中只有一个时间列，为”2018-06-01 01:02:03“格式。
|
||||
那么可以指定 columns(tmp_time) set (year = year(tmp_time), month=month(tmp_time), day=day(tmp_time)) 完成导入。
|
||||
|
||||
WHERE:
|
||||
|
||||
对做完 transform 的数据进行过滤，符合 where 条件的数据才能被导入。WHERE 语句中只可引用表中列名。
|
||||
3. resource_name
|
||||
|
||||
所使用的 spark 资源名称，可以通过 `SHOW RESOURCES` 命令查看。
|
||||
|
||||
4. resource_properties
|
||||
|
||||
当用户有临时性的需求，比如增加任务使用的资源而修改 Spark configs，可以在这里设置，设置仅对本次任务生效，并不影响 Doris 集群中已有的配置。
|
||||
另外不同的 broker，以及不同的访问方式，需要提供的信息不同。可以查看 broker 使用文档。
|
||||
|
||||
4. 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：
|
||||
timeout： 指定导入操作的超时时间。默认超时为4小时。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。
|
||||
strict mode： 是否对数据进行严格限制。默认为 false。
|
||||
timezone: 指定某些受时区影响的函数的时区，如 strftime/alignment_timestamp/from_unixtime 等等，具体请查阅 [时区] 文档。如果不指定，则使用 "Asia/Shanghai" 时区。
|
||||
|
||||
5. 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. 从 HDFS 导入一批数据，指定超时时间和过滤比例。使用名为 my_spark 的 spark 资源。
|
||||
|
||||
LOAD LABEL example_db.label1
|
||||
(
|
||||
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
|
||||
INTO TABLE `my_table`
|
||||
)
|
||||
WITH RESOURCE 'my_spark'
|
||||
PROPERTIES
|
||||
(
|
||||
"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. 从 HDFS 导入一批"负"数据，指定分隔符为逗号，使用通配符*指定目录下的所有文件，并指定 spark 资源的临时参数。
|
||||
|
||||
LOAD LABEL example_db.label3
|
||||
(
|
||||
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/*")
|
||||
NEGATIVE
|
||||
INTO TABLE `my_table`
|
||||
COLUMNS TERMINATED BY ","
|
||||
)
|
||||
WITH RESOURCE 'my_spark'
|
||||
(
|
||||
"spark.executor.memory" = "3g",
|
||||
"broker.username" = "hdfs_user",
|
||||
"broker.password" = "hdfs_passwd"
|
||||
);
|
||||
|
||||
3. 从 HDFS 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 varchar(20)
|
||||
k2 int
|
||||
|
||||
假设数据文件只有一行数据：
|
||||
|
||||
Adele,1,1
|
||||
|
||||
数据文件中各列，对应导入语句中指定的各列：
|
||||
k1,tmp_k2,tmp_k3
|
||||
|
||||
转换如下：
|
||||
|
||||
1) k1: 不变换
|
||||
2) k2：是 tmp_k2 和 tmp_k3 数据之和
|
||||
|
||||
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 ","
|
||||
(k1, tmp_k2, tmp_k3)
|
||||
SET (
|
||||
k2 = tmp_k2 + tmp_k3
|
||||
)
|
||||
)
|
||||
WITH RESOURCE 'my_spark';
|
||||
|
||||
4. 提取文件路径中的分区字段
|
||||
|
||||
如果需要，则会根据表中定义的字段类型解析文件路径中的分区字段（partitioned fields），类似Spark中Partition Discovery的功能
|
||||
|
||||
LOAD LABEL example_db.label10
|
||||
(
|
||||
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/*/*")
|
||||
INTO TABLE `my_table`
|
||||
(k1, k2, k3)
|
||||
COLUMNS FROM PATH AS (city, utc_date)
|
||||
SET (uniq_id = md5sum(k1, city))
|
||||
)
|
||||
WITH RESOURCE 'my_spark';
|
||||
|
||||
hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing目录下包括如下文件：
|
||||
|
||||
[hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/utc_date=2019-06-26/0000.csv, hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/utc_date=2019-06-26/0001.csv, ...]
|
||||
|
||||
则提取文件路径的中的city和utc_date字段
|
||||
|
||||
5. 对待导入数据进行过滤，k1 值大于 10 的列才能被导入。
|
||||
|
||||
LOAD LABEL example_db.label10
|
||||
(
|
||||
DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
|
||||
INTO TABLE `my_table`
|
||||
WHERE k1 > 10
|
||||
)
|
||||
WITH RESOURCE 'my_spark';
|
||||
|
||||
6. 从 hive 外部表导入，并将源表中的 uuid 列通过全局字典转化为 bitmap 类型。
|
||||
|
||||
LOAD LABEL db1.label1
|
||||
(
|
||||
DATA FROM TABLE hive_t1
|
||||
INTO TABLE tbl1
|
||||
SET
|
||||
(
|
||||
uuid=bitmap_dict(uuid)
|
||||
)
|
||||
)
|
||||
WITH RESOURCE 'my_spark';
|
||||
|
||||
## keyword
|
||||
|
||||
SPARK,LOAD
|
||||
Reference in New Issue
Block a user