数据导入快速指南#

OpenMLDB分为单机版和集群版。单机版中，数据仅保存在内存中，导入方式仅支持使用LOAD DATA命令。 集群版中，数据可以分别存在离线端和在线端。离线端和在线端数据不共享。

本文着重介绍集群版的数据导入方式。

集群版数据导入#

1 离线导入（ LOAD DATA）#

  • OpenMLDB本身不提供离线存储引擎，但需要指定离线存储的地址，即修改taskmanager配置项offline.data.prefix，可以是本地目录、hdfs、s3等存储介质。

  • 导入方式只有一个，离线模式下执行LOAD DATA。默认为硬拷贝导入。

  • 默认情况下，OpenMLDB会将源数据拷贝到offline.data.prefix目录中。支持读取的文件格式有csv和parquet。

  • LOAD DATA还支持软链接模式，通过optiondeep_copy=false来配置。软链接导入时，只会将源数据地址写入OpenMLDB表信息中，不会做硬拷贝。也支持csv和parquet两种文件格式。

Note

表的离线数据地址如果是软链接，OpenMLDB 不支持追加（append）数据到该表离线存储中，因为我们无权修软链接目录下的数据。OpenMLDB 仅支持覆盖（overwrite）该表的离线数据地址。如果覆盖了，原软链接目录下的数据也不会被删除，仅仅是OpenMLDB中丢弃了该原始目录。

2 在线导入#

OpenMLDB集群版的在线模式提供自建的在线存储引擎（保存于内存中）。因此，在线导入只有硬拷贝。

2.1 LOAD DATA#

在在线预览模式和在线请求模式下执行 LOAD DATA命令，支持读取csv和parquet格式的文件。

2.2 流式导入（stream）#

OpenMLDB支持从Pulsar， Kafka 和 RocketMQ 在线导入数据，详见

补充#

OpenMLDB的openmldb-import工具，提供了bulk load的导入方式，可以将数据快速导入到单机版或集群版的在线存储。

但该工具仍处于开发中，因此，目前有诸多限制。包括：

  1. 仅支持导入本地的csv多文件。

  2. 仅支持单机运行工具，单机内存要求较高，可能需要大于“导入数据的总量”。