doris/docs/help/Contents/Data Manipulation/routine_load.md

ROUTINE LOAD

description

例行导入（Routine Load）功能，支持用户提交一个常驻的导入任务，通过不断的从指定的数据源读取数据，将数据导入到 Doris 中。
目前仅支持通过无认证的方式，从 Kakfa 导入文本格式（CSV）的数据。

语法：

CREATE ROUTINE LOAD [db.]job_name ON tbl_name
[load_properties]
[job_properties]
FROM data_source
[data_source_properties]

1. [db.]job_name

    导入作业的名称，在同一个 database 内，相同名称只能有一个 job 在运行。
 
2. tbl_name

    指定需要导入的表的名称。

3. load_properties

    用于描述导入数据。语法：

    [column_separator],
    [columns_mapping],
    [where_predicates],
    [partitions]

    1. column_separator:

        指定列分隔符，如：

            COLUMNS TERMINATED BY ","

        默认为：\t

    2. columns_mapping:

        指定源数据中列的映射关系，以及定义衍生列的生成方式。

        1. 映射列：

            按顺序指定，源数据中各个列，对应目的表中的哪些列。对于希望跳过的列，可以指定一个不存在的列名。
            假设目的表有三列 k1, k2, v1。源数据有4列，其中第1、2、4列分别对应 k2, k1, v1。则书写如下：

            COLUMNS (k2, k1, xxx, v1)

            其中 xxx 为不存在的一列，用于跳过源数据中的第三列。

        2. 衍生列：

            以 col_name = expr 的形式表示的列，我们称为衍生列。即支持通过 expr 计算得出目的表中对应列的值。
            衍生列通常排列在映射列之后，虽然这不是强制的规定，但是 Doris 总是先解析映射列，再解析衍生列。
            接上一个示例，假设目的表还有第4列 v2，v2 由 k1 和 k2 的和产生。则可以书写如下：

            COLUMNS (k2, k1, xxx, v1, v2 = k1 + k2);

    3. where_predicates
    
        用于指定过滤条件，以过滤掉不需要的列。过滤列可以是映射列或衍生列。
        例如我们只希望导入 k1 大于 100 并且 k2 等于 1000 的列，则书写如下：
        
        WHERE k1 > 100 and k2 = 1000
    
    4. partitions

        指定导入目的表的哪些 partition 中。如果不指定，则会自动导入到对应的 partition 中。
        示例：

        PARTITION(p1, p2, p3)

4. job_properties    

    用于指定例行导入作业的通用参数。
    语法：

    PROPERTIES (
        "key1" = "val1",
        "key2" = "val2"
    )

    目前我们支持以下参数：

    1. desired_concurrent_number

        期望的并发度。一个例行导入作业会被分成多个子任务执行。这个参数指定一个作业最多有多少任务可以同时执行。必须大于0。默认为3。
        这个并发度并不是实际的并发度，实际的并发度，会通过集群的节点数、负载情况，以及数据源的情况综合考虑。
        例：

            "desired_concurrent_number" = "3"

    2. max_batch_interval/max_batch_rows/max_batch_size

        这三个参数分别表示：
        1）每个子任务最大执行时间，单位是秒。范围为 5 到 60。默认为10。
        2）每个子任务最多读取的行数。必须大于等于200000。默认是200000。
        3）每个子任务最多读取的字节数。单位是字节，范围是 100MB 到 1GB。默认是 100MB。

        这三个参数，用于控制一个子任务的执行时间和处理量。当任意一个达到阈值，则任务结束。
        例：

            "max_batch_interval" = "20",
            "max_batch_rows" = "300000",
            "max_batch_size" = "209715200"

    3. max_error_number

        采样窗口内，允许的最大错误行数。必须大于等于0。默认是 0，即不允许有错误行。
        采样窗口为 max_batch_rows * 10。即如果在采样窗口内，错误行数大于 max_error_number，则会导致例行作业被暂停，需要人工介入检查数据质量问题。
        被 where 条件过滤掉的行不算错误行。

5. data_source

    数据源的类型。当前支持：

        KAFKA

6. data_source_properties

    指定数据源相关的信息。
    语法：
    
    (
        "key1" = "val1",
        "key2" = "val2"
    )

    1. KAFKA 数据源

        1. kafka_broker_list

            Kafka 的 broker 连接信息。格式为 ip:host。多个broker之间以逗号分隔。
            示例：
                
                "kafka_broker_list" = "broker1:9092,broker2:9092"

        2. kafka_topic

            指定要订阅的 Kafka 的 topic。
            示例：

                "kafka_topic" = "my_topic"

        3. kafka_partitions/kafka_offsets

            指定需要订阅的 kafka partition，以及对应的每个 partition 的起始 offset。

            offset 可以指定从大于等于 0 的具体 offset，或者：
            1) OFFSET_BEGINNING: 从有数据的位置开始订阅。
            2) OFFSET_END: 从末尾开始订阅。

            如果没有指定，则默认从 OFFSET_END 开始订阅 topic 下的所有 partition。
            示例：

                "kafka_partitions" = "0,1,2,3",
                "kafka_offsets" = "101,0,OFFSET_BEGINNING,OFFSET_END"


7. 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。
    字符串类（CHAR/VARCHAR）（无引号）：I am a student, a
    NULL值：\N

example

1. 为 example_db 的 example_tbl 创建一个名为 test1 的 Kafka 例行导入任务。

    CREATE ROUTINE LOAD example_db.test1 ON example_tbl
    COLUMNS(k1, k2, k3, v1, v2, v3 = k1 * 100),
    WHERE k1 > 100 and k2 like "%doris%"
    PROPERTIES
    (
        "desired_concurrent_number"="3",
        "max_batch_interval" = "20",
        "max_batch_rows" = "300000",
        "max_batch_size" = "209715200"
    )
    FROM KAFKA
    (
        "kafka_broker_list" = "broker1:9092,broker2:9092,broker3:9092",
        "kafka_topic" = "my_topic",
        "kafka_partitions" = "0,1,2,3",
        "kafka_offsets" = "101,0,0,200"
    );

keyword

CREATE,ROUTINE,LOAD

PAUSE ROUTINE LOAD

该语句用于暂停一个指定的例行导入作业。

语法：

PAUSE ROUTINE LOAD [db.]name;

example

1. 暂停名称为 test1 的例行导入作业。

   PAUSE ROUTINE LOAD test1;

keyword

PAUSE,ROUTINE,LOAD

RESUME ROUTINE LOAD

该语句用于恢复一个被暂停的例行导入作业。

语法：

RESUME ROUTINE LOAD [db.]name;

example

1. 恢复名称为 test1 的例行导入作业。

   RESUME ROUTINE LOAD test1;

keyword

RESUME,ROUTINE,LOAD

STOP ROUTINE LOAD

该语句用于停止一个被暂停的例行导入作业。

语法：

STOP ROUTINE LOAD [db.]name;

被停止的作业无法再恢复运行。

example

1. 停止名称为 test1 的例行导入作业。

   STOP ROUTINE LOAD test1;

keyword

STOP,ROUTINE,LOAD

SHOW ROUTINE LOAD

该语句用于展示指定名称的例行导入作业的详细信息。

语法：

SHOW [ALL] ROUTINE LOAD FOR [[db.]name]

展示结果包括如下信息：

1. Id：作业id。
2. Name：作业的名称。
3. CreateTime：作业创建时间。
4. PauseTime：作业暂停时间。
5. EndTime：作业结束时间。
6. DdName：数据库名称。
7. TableName：目的表名称。
8. State：作业状态。

    NEED_SCHEDULE：等待被调度。
    RUNNING：运行中。
    PAUSE：暂停中。
    STOPPED：作业由用户停止。
    CANCELLED：作业因失败停止。

9. DataSourceType：数据源类型。

    KAFKA

10. CurrentTaskNum：当前正在运行的子任务的个数
11. JobProperties：作业相关配置信息，对应创建语句中的 load_properties 和 job_properties。以 json 格式表示。

    {
        "partitions": "*",      // 目的表的分区，星号表示没有指定。
        "columnToColumnExpr": "k1,yyy,v1,v2,v3,v4,v5,v6,k2=`k1` + 1",
        "maxBatchIntervalS": "10",  
        "whereExpr": "`k1` > 100",
        "maxBatchSizeBytes": "104857600",
        "columnSeparator": "\t",
        "maxErrorNum": "0",
        "currentTaskConcurrentNum": "3",   // 当前例行作业的子任务并发数
        "maxBatchRows": "200000"
    }

12. Statistic：作业运行状态的统计信息。以 json 格式表示。

    {
    	"errorRows": 0,                 // 总的错误行数
    	"loadedRows": 6584959,          // 总导入的行数
    	"unselectedRows": 2392,         // 被 where 条件过滤的行数
    	"totalRows": 6587351,           // 总消费的行数，totalRows = errorRows + loadedRows + unselectedRows
    	"loadRowsRate": 91000,          // 导入速率（rows/s）
    	"receivedBytes": 861626324,     // 总消费的字节数
    	"receivedBytesRate": 11915000,  // 消费速率 (Bytes/s)
    	"committedTaskNum": 33,         // 提交成功的子任务数
    	"abortedTaskNum": 2,            // 失败的子任务数
    	"taskExecuteTaskMs": 72312      // 子任务执行时间，单位毫秒
    }

13. Progress：作业进度。以 json 格式表示。

    如果数据源是 Kafka，则显示每个 kafka partition，当前已经被消费的 offset。

    {
    	"0": 2199288,
    	"1": 2194329,
    	"2": 2193731
    }

    OFFSET_BEGINNING: 表示用户指定了从头开始消费，并且还未开始消费。
    OFFSET_END: 表示用户指定了从末尾开始消费，并且还未开始消费。
    OFFSET_ZERO: 表示用户指定了从 0 开始消费，并且还未开始消费。

example

1. 展示名称为 test1 的所有例行导入作业（包括已停止或取消的作业）。结果为一行或多行。

   SHOW ALL ROUTINE LOAD FOR test1;

2. 展示名称为 test1 的当前正在运行的例行导入作业

   SHOW ROUTINE LOAD FOR test1;

3. 显示 example_db 下，所有的例行导入作业（包括已停止或取消的作业）。结果为一行或多行。

   use example_db; SHOW ALL ROUTINE LOAD;

4. 显示 example_db 下，所有正在运行的例行导入作业

   use example_db; SHOW ROUTINE LOAD;

5. 显示 example_db 下，名称为 test1 的当前正在运行的例行导入作业

   SHOW ROUTINE LOAD FOR example_db.test1;

6. 显示 example_db 下，名称为 test1 的所有例行导入作业（包括已停止或取消的作业）。结果为一行或多行。

   SHOW ALL ROUTINE LOAD FOR example_db.test1;

keyword

SHOW,ROUTINE,LOAD

SHOW ROUTINE LOAD TASK

该语句用于展示指定例行导入作业，当前正在运行的子任务信息。

语法：

SHOW ROUTINE LOAD TASK [FROM db] WHERE JobName = "name";

展示结果包括如下信息：

TaskId：task id。
TxnId：task 对应的事务id。
JobId：作业id。
CreateTime：任务创建时间。
ExecuteStartTime：任务开始执行的时间。
BeId：任务所在的 Backend id。
DataSourceProperties：
    
    任务的参数，以 json 格式展示。
    当数据源为 Kafka 时，显示如下：

    {
        "2":2193732
    }

    表示该任务准备消费的 kafka partition 和起始 offset。

example

1. 展示名为 test1 的例行导入任务的子任务信息。

   SHOW ROUTINE LOAD TASK WHERE JobName = "test1";

keyword

SHOW,ROUTINE,LOAD,TASK