SPARK LOAD

description

1. 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。

3. 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：

1. LOAD LABEL load_label
2. (
3. data_desc1[, data_desc2, ...]
4. )
5. WITH RESOURCE resource_name
6. [resource_properties]
7. [opt_properties];

9. 1. load_label

11. 当前导入批次的标签。在一个 database 内唯一。
12. 语法：
13. [database_name.]your_label

15. 2. data_desc

17. 用于描述一批导入数据。
18. 语法：
19. DATA INFILE
20. (
21. "file_path1"[, file_path2, ...]
22. )
23. [NEGATIVE]
24. INTO TABLE `table_name`
25. [PARTITION (p1, p2)]
26. [COLUMNS TERMINATED BY "column_separator"]
27. [FORMAT AS "file_type"]
28. [(column_list)]
29. [COLUMNS FROM PATH AS (col2, ...)]
30. [SET (k1 = func(k2))]
31. [WHERE predicate]

33. DATA FROM TABLE hive_external_tbl
34. [NEGATIVE]
35. INTO TABLE tbl_name
36. [PARTITION (p1, p2)]
37. [SET (k1=f1(xx), k2=f2(xx))]
38. [WHERE predicate]

40. 说明：
41. file_path:

43. 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。

45. hive_external_tbl:

47. hive 外部表名。
48. 要求导入的 doris 表中的列必须在 hive 外部表中存在。
49. 每个导入任务只支持从一个 hive 外部表导入。
50. 不能与 file_path 方式同时使用。

52. PARTITION:

54. 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。
55. 如果不指定，默认导入table的所有分区。

57. NEGATIVE：

59. 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。
60. 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。

62. column_separator：

64. 用于指定导入文件中的列分隔符。默认为 \t
65. 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。
66. 如hive文件的分隔符\x01，指定为"\\x01"

68. file_type：

70. 用于指定导入文件的类型，目前仅支持csv。

72. column_list：

74. 用于指定导入文件中的列和 table 中的列的对应关系。
75. 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。
76. 语法：
77. (col_name1, col_name2, ...)

79. SET:

81. 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。
82. 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。
83. 举几个例子帮助理解。
84. 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);
85. 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。
86. 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。

88. WHERE:

90. 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。
91. 3. resource_name

93. 所使用的 spark 资源名称，可以通过 `SHOW RESOURCES` 命令查看。

95. 4. resource_properties

97. 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。
98. 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。

100. 4. opt_properties

102. 用于指定一些特殊参数。
103. 语法：
104. [PROPERTIES ("key"="value", ...)]

106. 可以指定如下参数：
107. timeout：         指定导入操作的超时时间。默认超时为4小时。单位秒。
108. 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。
109. strict mode：     是否对数据进行严格限制。默认为 false。
110. 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。

112. 5. 导入数据格式样例

114. 整型类（TINYINT/SMALLINT/INT/BIGINT/LARGEINT）：1, 1000, 1234
115. 浮点类（FLOAT/DOUBLE/DECIMAL）：1.1, 0.23, .356
116. 日期类（DATE/DATETIME）：2017-10-03, 2017-06-13 12:34:03。
117. （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）
118. 字符串类（CHAR/VARCHAR）："I am a student", "a"
119. NULL值：\N

example

1. 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。

3. LOAD LABEL example_db.label1
4. (
5. DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
6. INTO TABLE `my_table`
7. )
8. WITH RESOURCE 'my_spark'
9. PROPERTIES
10. (
11. "timeout" = "3600",
12. "max_filter_ratio" = "0.1"
13. );

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

17. 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。

19. LOAD LABEL example_db.label3
20. (
21. DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/*")
22. NEGATIVE
23. INTO TABLE `my_table`
24. COLUMNS TERMINATED BY ","
25. )
26. WITH RESOURCE 'my_spark'
27. (
28. "spark.executor.memory" = "3g",
29. "broker.username" = "hdfs_user",
30. "broker.password" = "hdfs_passwd"
31. );

33. 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：
34. 表结构为：
35. k1 varchar(20)
36. k2 int

38. 假设数据文件只有一行数据：

40. Adele,1,1

42. 数据文件中各列，对应导入语句中指定的各列：
43. k1,tmp_k2,tmp_k3

45. 转换如下：

47. 1) k1: 不变换
48. 2) k2：是 tmp_k2 和 tmp_k3 数据之和

50. LOAD LABEL example_db.label6
51. (
52. DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
53. INTO TABLE `my_table`
54. PARTITION (p1, p2)
55. COLUMNS TERMINATED BY ","
56. (k1, tmp_k2, tmp_k3)
57. SET (
58. k2 = tmp_k2 + tmp_k3
59. )
60. )
61. WITH RESOURCE 'my_spark';

63. 4. 提取文件路径中的分区字段

65. 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

67. LOAD LABEL example_db.label10
68. (
69. DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/*/*")
70. INTO TABLE `my_table`
71. (k1, k2, k3)
72. COLUMNS FROM PATH AS (city, utc_date)
73. SET (uniq_id = md5sum(k1, city))
74. )
75. WITH RESOURCE 'my_spark';

77. hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing目录下包括如下文件：

79. [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, ...]

81. 则提取文件路径的中的city和utc_date字段

83. 5. 对待导入数据进行过滤，k1 值大于 10 的列才能被导入。

85. LOAD LABEL example_db.label10
86. (
87. DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
88. INTO TABLE `my_table`
89. WHERE k1 > 10
90. )
91. WITH RESOURCE 'my_spark';

93. 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。

95. LOAD LABEL db1.label1
96. (
97. DATA FROM TABLE hive_t1
98. INTO TABLE tbl1
99. SET
100. (
101. uuid=bitmap_dict(uuid)
102. )
103. )
104. WITH RESOURCE 'my_spark';

keyword

1. SPARK,LOAD