LOAD DATA INFILE
Contents
LOAD DATA INFILE#
LOAD DATA INFILE
语句能高效地将文件中的数据读取到数据库中的表中。LOAD DATA INFILE
与 SELECT INTO OUTFILE
互补。要将数据从 table导出到文件,请使用SELECT INTO OUTFILE。要将文件数据导入到 table 中,请使用LOAD DATA INFILE
。注意,导入的文件schema顺序应与表的schema顺序一致。
Note
无论何种load_mode,INFILE 的 filePath既可以是单个文件名,也可以是目录,也可以使用*
通配符。
load_mode=cluster的具体格式等价于
DataFrameReader.read.load(String)
,可以使用spark shell来read你想要的文件路径,确认能否读入成功。如果目录中存在多格式的文件,只会选择 LoadDataInfileOptionsList 中指定的FORMAT格式文件。load_mode=local则使用glob选择出符合的所有文件,不会检查单个文件的格式,所以,请保证满足条件的文件都是csv格式,建议使用
*.csv
限制文件格式。
Syntax#
LoadDataInfileStmt
::= 'LOAD' 'DATA' 'INFILE' filePath 'INTO' 'TABLE' tableName LoadDataInfileOptionsList
filePath
::= URI
tableName
::= string_literal
LoadDataInfileOptionsList
::= 'OPTIONS' '(' LoadDataInfileOptionItem (',' LoadDataInfileOptionItem)* ')'
LoadDataInfileOptionItem
::= 'DELIMITER' '=' string_literal
|'HEADER' '=' bool_literal
|'NULL_VALUE' '=' string_literal
|'FORMAT' '=' string_literal
|'QUOTE' '=' string_literal
|'MODE' '=' string_literal
|'DEEP_COPY' '=' bool_literal
|'LOAD_MODE' '=' string_literal
|'THREAD' '=' int_literal
URI
::= 'file://FilePathPattern'
|'hdfs://FilePathPattern'
|'hive://[db.]table'
|'FilePathPattern'
FilePathPattern
::= string_literal
其中FilePathPattern
支持通配符*
,比如可以设成/test/*.csv
,匹配规则和ls FilePathPattern
一致。
下表展示了LOAD DATA INFILE
语句的配置项。
配置项 |
类型 |
默认值 |
描述 |
---|---|---|---|
delimiter |
String |
, |
列分隔符,默认为 |
header |
Boolean |
true |
是否包含表头, 默认为 |
null_value |
String |
null |
NULL值,默认填充 |
format |
String |
csv |
导入文件的格式: |
quote |
String |
“ |
输入数据的包围字符串。字符串长度<=1。 |
mode |
String |
“error_if_exists” |
导入模式: |
deep_copy |
Boolean |
true |
|
load_mode |
String |
cluster |
|
thread |
Integer |
1 |
仅在本地文件导入时生效,即 |
writer_type |
String |
single |
集群版在线导入中插入数据的writer类型。可选值为 |
put_if_absent |
Boolean |
false |
在源数据无重复行也不与表中已有数据重复时,可以使用此选项避免插入重复数据,特别是job失败后可以重试。等价于使用 |
Note
在集群版中,LOAD DATA INFILE
语句会根据当前执行模式(execute_mode)决定将数据导入到在线或离线存储。单机版中没有存储区别,只会导入到在线存储中,同时也不支持deep_copy
选项。
具体的规则见下文。
Warning
INFILE Path
在集群版中,如果load_mode='cluster'
,INFILE
路径的读取是由batchjob来完成的,如果是相对路径,就需要batchjob可以访问到的相对路径。
在生产环境中,batchjob的执行通常由yarn集群调度,难以确定具体的执行者。在测试环境中,如果也是多机部署,难以确定batchjob的具体执行者。
所以,请尽量使用绝对路径。单机测试中,本地文件用file://
开头;生产环境中,推荐使用hdfs等文件系统。
SQL语句模版#
LOAD DATA INFILE 'file_path' INTO TABLE 'table_name' OPTIONS (key = value, ...);
Hive 支持#
OpenMLDB 支持从 Hive 导入数据,但需要额外的设置和功能限制,详情见 Hive 支持。
Examples:#
从data.csv
文件读取数据到表t1
在线存储中。并使用,
作为列分隔符
set @@execute_mode='online';
LOAD DATA INFILE 'data.csv' INTO TABLE t1 OPTIONS(delimiter = ',' );
从data.csv
文件读取数据到表t1
中。并使用,
作为列分隔符, 字符串”NA”将被替换为NULL。
LOAD DATA INFILE 'data.csv' INTO TABLE t1 OPTIONS(delimiter = ',', null_value='NA');
将data_path
软拷贝到表t1
中,作为离线数据。
set @@execute_mode='offline';
LOAD DATA INFILE 'data_path' INTO TABLE t1 OPTIONS(deep_copy=false);
在离线模式下导入 Hive 数据仓库的表格:
set @@execute_mode='offline';
LOAD DATA INFILE 'hive://db1.t1' INTO TABLE t1;
在线导入规则#
在线导入只允许mode='append'
,无法overwrite
或error_if_exists
。
如果设置了 insert_memory_usage_limit
session变量,服务端内存使用率超过设定的值就会返回失败。
离线导入规则#
表的离线信息可通过desc <table>
查看。我们将数据地址分为两类,Data path与Symbolic path,离线地址Data path是OpenMLDB的内部存储路径,硬拷贝将写入此地址,仅一个;软链接地址Symbolic path,则是软链接导入的地址列表,可以是多个。
--- ------- ----------- ------ ---------
# Field Type Null Default
--- ------- ----------- ------ ---------
1 c1 Varchar YES
2 c2 Int YES
3 c3 BigInt YES
4 c4 Float YES
5 c5 Double YES
6 c6 Timestamp YES
7 c7 Date YES
--- ------- ----------- ------ ---------
--- -------------------- ------ ---- ------ ---------------
# name keys ts ttl ttl_type
--- -------------------- ------ ---- ------ ---------------
1 INDEX_0_1705743486 c1 - 0min kAbsoluteTime
--- -------------------- ------ ---- ------ ---------------
---------------------------------------------------------- ------------------------------------------ --------- ---------
Data path Symbolic paths Format Options
---------------------------------------------------------- ------------------------------------------ --------- ---------
file:///tmp/openmldb_offline_storage/demo_db/demo_table1 file:///work/taxi-trip/data/data.parquet parquet
---------------------------------------------------------- ------------------------------------------ --------- ---------
--------------- --------------
compress_type storage_mode
--------------- --------------
NoCompress Memory
--------------- --------------
根据模式的不同,对离线信息的修改也不同。
overwrite模式,将会覆盖原有的所有字段,包括离线地址、软链接地址、格式、读取选项,仅保留当前overwrite进入的信息。
overwrite 硬拷贝,离线地址如果存在数据将被覆盖,软链接全部清空,格式更改为内部默认格式parquet,读取选项全部清空。
overwrite 软拷贝,离线地址直接删除(并不删除数据),软链接覆盖为输入的链接、格式、读取选项。
append模式,append 硬拷贝将数据写入当前离线地址,append 软拷贝需要考虑当前的格式和读取选项,如果不同,将无法append。
append同样的路径将被忽略,但路径需要是字符串相等的,如果不同,会作为两个软链接地址。
errorifexists,如果当前已有离线信息,将报错。这里的离线信息包括离线地址和软链接地址,比如,当前存在离线地址,无软链接,现在
LOAD DATA
软链接,也将报错。
Tip
如果当前离线信息存在问题,无法通过LOAD DATA
修改,可以手动删除离线地址的数据,并用nameserver http请求清空表的离线信息。
清空离线信息步骤:
curl http://<ns_endpoint>/NameServer/ShowTable -d'{"db":"<db_name>","name":"<table_name>"}' # 获得其中的表tid
curl http://<ns_endpoint>/NameServer/UpdateOfflineTableInfo -d '{"db":"<db_name>","name":"<table_name>","tid":<tid>}'
由于硬拷贝的写入格式无法修改,是parquet格式,所以如果想要硬拷贝和软链接同时存在,需要保证软链接的数据格式也是parquet。
CSV源数据格式说明#
导入支持csv和parquet两种数据格式,csv的格式需要特别注意,下面举例说明。
csv的列分隔符默认为
,
,不允许出现空格,否则,”a, b”将被解析为两列,第一列为a
,第二列为b
(有一个空格)。local模式会trim掉列分隔符两边的空格,所以
a, b
会被解析为两列,第一列为a
,第二列为b
。但从规范上来说,csv的列分隔符左右不应该有空格,请不要依赖这个特性。
cluster和local模式对于空值的处理不同,具体为:
c1, c2 , "","" ab,cd "ef","gh" null,null
这个csv源数据中,第一行两个空值(blank value)。
cluster模式空值会被当作
null
(无论null_value是什么)。local模式空值会被当作空字符串,具体见issue3015。
第二行两列都是两个双引号。
cluster模式默认quote为
"
,所以这一行是两个空字符串。local模式默认quote为
\0
,所以这一行两列都是两个双引号。local模式quote可以配置为"
,但escape规则是""
为单个"
,和Spark不一致,具体见issue3015。
cluster的csv格式支持两种格式的timestamp,但同一次load只会选择一种格式,不会混合使用。如果csv中存在两种格式的timestamp,会导致解析失败。选择哪种格式由第一行数据决定,如果第一行数据是
2020-01-01 00:00:00
,则后续所有timestamp都会按照yyyy-MM-dd HH:mm:ss
格式解析;如果第一行数据是整型1577808000000
,则后续所有timestamp都会按照整型格式解析。timestamp可以为字符串格式,比如
"2020-01-01 00:00:00"
。date可以是年月日(
yyyy-MM-dd
)或者年月日时分秒(yyyy-MM-dd HH:mm:ss
)。
local的csv格式只支持整型timestamp,date类型为年月日,例如
2022-2-2
。timestamp和date均不可以为字符串格式,比如
"2020-01-01"
将解析失败。date不可以是年月日时分秒,例如
2022-2-2 00:00:00
将解析失败。
local的字符串不支持quote转义,所以如果你的字符串中存在quote字符,请使用cluster模式。
cluster如果读取csv时解析失败,将会把失败的列值设为NULL,继续导入流程,但local模式会直接报错,不会继续导入。
PutIfAbsent说明#
PutIfAbsent是一个特殊的选项,它可以避免插入重复数据,仅需一个配置,操作简单,特别适合load datajob失败后重试,等价于使用INSERT OR IGNORE
。如果你想要导入的数据中存在重复,那么通过PutIfAbsent导入,会导致部分数据丢失。如果你需要保留重复数据,不应使用此选项,建议通过其他方式去重后再导入。local模式暂不支持此选项。
PutIfAbsent需要去重这一额外开销,所以,它的性能与去重的复杂度有关:
表中只存在ts索引,且同一key+ts的数据量少于10k时(为了精确去重,在同一个key+ts下会逐行对比整行数据),PutIfAbsent的性能表现不会很差,通常导入时间在普通导入时间的2倍以内。
表中如果存在time索引(ts列为空),或者ts索引同一key+ts的数据量大于100k时,PutIfAbsent的性能会很差,导入时间可能超过普通导入时间的10倍,无法正常使用。这样的数据条件下,更建议进行去重后再导入。
local导入模式说明#
load_mode可使用local模式,但与cluster模式有一些不同,如果你部署了TaskManager,我们建议使用cluster模式。不同之处如下:
local模式仅支持在线,不支持离线。也只支持csv格式,不支持parquet格式。
csv的读取支持有限,(SplitLineWithDelimiterForStrings)