TiDB Lightning 数据源

TiDB Lightning 支持从多种类型的文件导入数据到 TiDB 集群。通过以下配置为 TiDB Lightning 指定数据文件所在位置。

1. [mydumper]
2. # 本地源数据目录或 S3 等外部存储 URI。关于外部存储 URI 详情可参考 https://docs.pingcap.com/zh/tidb/v6.6/backup-and-restore-storages#uri-%E6%A0%BC%E5%BC%8F。
3. data-source-dir = "/data/my_database"

TiDB Lightning 运行时将查找 data-source-dir 中所有符合命令规则的文件。

TiDB Lightning 尽量并行处理数据，由于文件必须顺序读取，所以数据处理协程是文件级别的并发（通过 region-concurrency 配置控制）。因此导入大文件时性能比较差。通常建议单个文件尺寸为 256MiB，以获得最好的性能。

表库重命名

TiDB Lightning 运行时会按照数据文件的命名规则将数据导入到相应的数据库和表。如果数据库名或表名发生了变化，你可以先重命名文件，然后再导入，或者使用正则表达式在线替换对象名称。

批量重命名文件

如果你使用的是 Red Hat Linux 或基于 Red Hat 的 Linux 发行版，可以使用 rename 命令对 data-source-dir 目录下的文件进行批量重命名。例如：

1. rename srcdb. tgtdb. *.sql

修改了文件中的数据库名后，建议删除 data-source-dir 目录下包含 CREATE DATABASE DDL 语句的 ${db_name}-schema-create.sql 文件。如果修改的是表名，还需要修改包含 CREATE TABLE DDL 语句的 ${db_name}.${table_name}-schema.sql 文件中的表名。

使用正则表达式在线替换名称

要使用正则表达式在线替换名称，你需要在 [[mydumper.files]] 配置中使用 pattern 匹配文件名，将 schema 和 table 换成目标名。具体配置请参考自定义文件匹配。

下面是使用正则表达式在线替换名称的示例。其中：

• 数据文件 pattern 的匹配规则是 '^({schema_regrex})\.({table_regrex})\.({file_serial_regrex})\.(csv|parquet|sql)'。
• schema 可以指定为 '$1'，代表第一个正则表达式 schema_regrex 取值不变；schema 也可以指定为一个字符串，如 'tgtdb'，代表固定的目标数据库名。
• table 可以指定为 '$2'，代表第二个正则表达式 table_regrex 取值不变；table 也可以指定为一个字符串，如 't1'，代表固定的目标表名。
• type 可以指定为 '$3'，代表数据文件类型；type 可以指定为 "table-schema"（代表 schema.sql 文件） 或 "schema-schema"（代表 schema-create.sql 文件）。

1. [mydumper]
2. data-source-dir = "/some-subdir/some-database/"
3. [[mydumper.files]]
4. pattern = '^(srcdb)\.(.*?)-schema-create\.sql'
5. schema = 'tgtdb'
6. type = "schema-schema"
7. [[mydumper.files]]
8. pattern = '^(srcdb)\.(.*?)-schema\.sql'
9. schema = 'tgtdb'
10. table = '$2'
11. type = "table-schema"
12. [[mydumper.files]]
13. pattern = '^(srcdb)\.(.*?)\.(?:[0-9]+)\.(csv|parquet|sql)'
14. schema = 'tgtdb'
15. table = '$2'
16. type = '$3'

如果是使用 gzip 方式备份的数据文件，需要对应地配置压缩格式。数据文件 pattern 的匹配规则是 '^({schema_regrex})\.({table_regrex})\.({file_serial_regrex})\.(csv|parquet|sql)\.(gz)'。compression 可以指定为 '$4' 代表是压缩文件格式。示例如下：

1. [mydumper]
2. data-source-dir = "/some-subdir/some-database/"
3. [[mydumper.files]]
4. pattern = '^(srcdb)\.(.*?)-schema-create\.(sql)\.(gz)'
5. schema = 'tgtdb'
6. type = "schema-schema"
7. compression = '$4'
8. [[mydumper.files]]
9. pattern = '^(srcdb)\.(.*?)-schema\.(sql)\.(gz)'
10. schema = 'tgtdb'
11. table = '$2'
12. type = "table-schema"
13. compression = '$4'
14. [[mydumper.files]]
15. pattern = '^(srcdb)\.(.*?)\.(?:[0-9]+)\.(sql)\.(gz)'
16. schema = 'tgtdb'
17. table = '$2'
18. type = '$3'
19. compression = '$4'

CSV

表结构

CSV 文件是没有表结构的。要导入 TiDB，就必须为其提供表结构。可以通过以下任一方法实现：

• 创建包含 DDL 语句的 ${db_name}.${table_name}-schema.sql 和 ${db_name}-schema-create.sql。
• 在 TiDB 中手动创建。

配置

CSV 格式可在 tidb-lightning.toml 文件中 [mydumper.csv] 下配置。大部分设置项在 MySQL [LOAD DATA] 语句中都有对应的项目。

1. [mydumper.csv]
2. # 字段分隔符，支持一个或多个字符，默认值为 ','。如果数据中可能有逗号，建议源文件导出时分隔符使用非常见组合字符例如'|+|'。
3. separator = ','
4. # 引用定界符，设置为空表示字符串未加引号。
5. delimiter = '"'
6. # 行尾定界字符，支持一个或多个字符。设置为空（默认值）表示 "\n"（换行）和 "\r\n" （回车+换行），均表示行尾。
7. terminator = ""
8. # CSV 文件是否包含表头。
9. # 如果为 true，首行将会被跳过，且基于首行映射目标表的列。
10. header = true
11. # CSV 是否包含 NULL。
12. # 如果为 true，CSV 文件的任何列都不能解析为 NULL。
13. not-null = false
14. # 如果 `not-null` 为 false（即 CSV 可以包含 NULL），
15. # 为以下值的字段将会被解析为 NULL。
16. null = '\N'
17. # 是否解析字段内的反斜线转义符。
18. backslash-escape = true
19. # 是否移除以分隔符结束的行。
20. trim-last-separator = false

对于诸如 separator，delimiter 和 terminator 等取值为字符串的配置项，如果需要设置的字符串中包含特殊字符，可以通过使用反斜杠 \ 转义的方式进行输入，输入的转义序列必须被包含在一对双引号 " 之间。例如，设置 separator = "\u001f" 表示使用 ASCII 字符 0X1F 作为字符串定界符。

你也可以使用单引号字符串 '...' 禁止对字符进行转义。

另外，设置 separator = '\n' 表示使用两个字符 \ + n 作为字符串定界符，而不是转义后的换行符 \n。

更多详细的内容请参考 TOML v1.0.0 标准。

separator

• 指定字段分隔符。
• 可以为一个或多个字符，不能为空。

• 常用值：

• CSV 用 ','

• TSV 用 "\t"
• “\u0001” 表示使用 ASCII 字符 0x01
• 对应 LOAD DATA 语句中的 FIELDS TERMINATED BY 项。

delimiter

• 指定引用定界符。
• 如果 delimiter 为空，所有字段都会被取消引用。

• 常用值：

• '"' 使用双引号引用字段，和 RFC 4180 一致。

• '' 不引用
• 对应 LOAD DATA 语句中的 FIELDS ENCLOSED BY 项。

terminator

• 指定行尾定界符。
• 如果 terminator 为空，则 “\n”（换行）和 “\r\n” （回车+换行）均表示行尾。
• 对应 LOAD DATA 语句中的 LINES TERMINATED BY 项。

header

• 是否所有 CSV 文件都包含表头行。
• 如为 true，第一行会被用作列名。如为 false，第一行并无特殊性，按普通的数据行处理。

not-null 和 null

• not-null 决定是否所有字段不能为空。
• 如果 not-null 为 false，设定了 null 的字符串会被转换为 SQL NULL 而非具体数值。
• 引用不影响字段是否为空。

例如有如下 CSV 文件：

1. A,B,C 2. \N,"\N",

在默认设置（not-null = false; null = '\N'）下，列 A and B 导入 TiDB 后都将会转换为 NULL。列 C 是空字符串 ''，但并不会解析为 NULL。

backslash-escape

• 是否解析字段内的反斜线转义符。
• 如果 backslash-escape 为 true，下列转义符会被识别并转换。

其他情况下（如 \"）反斜线会被移除，仅在字段中保留其后面的字符（"），这种情况下，保留的字符仅作为普通字符，特殊功能（如界定符）都会失效。 - 引用不会影响反斜线转义符的解析与否。 - 对应 LOAD DATA 语句中的 FIELDS ESCAPED BY '\' 项。

trim-last-separator

• 将 separator 字段当作终止符，并移除尾部所有分隔符。

例如有如下 CSV 文件：

1. A,,B,, - 当 trim-last-separator = false，该文件会被解析为包含 5 个字段的行 ('A', '', 'B', '', '')。 - 当 trim-last-separator = true，该文件会被解析为包含 3 个字段的行 ('A', '', 'B')。 - 此配置项已被弃用，建议使用兼容性更好的 terminator。

如果有如下旧的配置：

1. separator = ',' 2. trim-last-separator = true

建议修改为：

1. separator = ',' 2. terminator = ",\n" # 请根据文件实际使用的换行符指定为 ",\n" 或 ",\r\n"

不可配置项

TiDB Lightning 并不完全支持 LOAD DATA 语句中的所有配置项。例如：

• 不可使用行前缀 (LINES STARTING BY)。
• 不可跳过表头 (IGNORE n LINES)。如有表头，必须是有效的列名。

启用严格格式

导入文件的大小统一约为 256 MB 时，TiDB Lightning 可达到最佳工作状态。如果导入单个 CSV 大文件，TiDB Lightning 只能使用一个线程来处理，这会降低导入速度。

要解决此问题，可先将 CSV 文件分割为多个文件。对于通用格式的 CSV 文件，在没有读取整个文件的情况下无法快速确定行的开始和结束位置。因此，默认情况下 TiDB Lightning 不会自动分割 CSV 文件。但如果你确定待导入的 CSV 文件符合特定的限制要求，则可以启用 strict-format 设置。启用后，TiDB Lightning 会将单个 CSV 大文件分割为单个大小为 256 MB 的多个文件块进行并行处理。

1. [mydumper]
2. strict-format = true

严格格式的 CSV 文件中，每个字段仅占一行，即必须满足以下条件之一：

• delimiter 为空；
• 每个字段不包含 terminator 对应的字符串。在默认配置下，对应每个字段不包含 CR (\r）或 LF（\n）。

如果 CSV 文件不是严格格式但 strict-format 被误设为 true，跨多行的单个完整字段会被分割成两部分，导致解析失败，甚至不报错地导入已损坏的数据。

常见配置示例

CSV

默认设置已按照 RFC 4180 调整。

1. [mydumper.csv]
2. separator = ',' # 如果数据中可能有逗号，建议源文件导出时分隔符使用非常见组合字符例如'|+|'
3. delimiter = '"'
4. header = true
5. not-null = false
6. null = '\N'
7. backslash-escape = true

示例内容：

1. ID,Region,Count
2. 1,"East",32
3. 2,"South",\N
4. 3,"West",10
5. 4,"North",39

TSV

1. [mydumper.csv]
2. separator = "\t"
3. delimiter = ''
4. header = true
5. not-null = false
6. null = 'NULL'
7. backslash-escape = false

示例内容：

1. ID    Region    Count
2. 1     East      32
3. 2     South     NULL
4. 3     West      10
5. 4     North     39

TPC-H DBGEN

1. [mydumper.csv]
2. separator = '|'
3. delimiter = ''
4. terminator = "|\n"
5. header = false
6. not-null = true
7. backslash-escape = false

示例内容：

1. 1|East|32|
2. 2|South|0|
3. 3|West|10|
4. 4|North|39|

SQL

TiDB Lightning 在处理 SQL 文件时，由于无法对单个文件进行快速分割，因此无法通过增加并发提高单个文件的导入速度。鉴于此，导出数据为 SQL 文件时应尽量避免单个 SQL 文件过大，通常单文件在 256MiB 左右可以达到最佳性能。

Parquet

TiDB Lightning 目前仅支持由 Amazon Aurora 或者 Hive 导出快照生成的 Parquet 文件。要识别其在 S3 的文件组织形式，需要使用如下配置匹配到所有的数据文件：

1. [[mydumper.files]]
2. # 解析 AWS Aurora parquet 文件所需的表达式
3. pattern = '(?i)^(?:[^/]*/)*([a-z0-9\-_]+).([a-z0-9\-_]+)/(?:[^/]*/)*(?:[a-z0-9\-_.]+\.(parquet))$'
4. schema = '$1'
5. table = '$2'
6. type = '$3'

注意，此处仅说明 Aurora snapshot 导出的 parquet 文件如何匹配。Schema 文件需要单独导出及处理。

关于 mydumper.files，请参考自定义文件匹配。

压缩文件

TiDB Lightning 目前支持由 Dumpling 导出的压缩文件或满足符合上文命名规则的压缩文件，目前支持 gzip、snappy、zstd 压缩算法的压缩文件。在文件名符合命名规则时，TiDB Lightning 会自动识别压缩算法在流式解压后导入，无需额外配置。

注意

• 由于 TiDB Lightning 无法对单个大压缩文件进行并发解压，因此压缩文件的大小会直接影响导入速度。建议压缩数据文件解压后的源文件大小不超过 256 MiB。
• TiDB Lightning 仅支持导入各自独立压缩的数据文件，不支持导入多个数据文件组成的单个压缩文件集合包。
• TiDB Lightning 不支持二次压缩的 parquet 文件，例如 db.table.parquet.snappy。如需压缩 parquet 文件，你可以配置 parquet 文件数据存储的压缩格式。
• TiDB v6.4.0 及之后版本的 TiDB Lightning 支持后缀为压缩算法 gzip、snappy、zstd 的数据文件。其他后缀名会报错。你可以将不支持的文件移出导入数据目录来避免此类错误。 Snappy 压缩文件必须遵循官方 Snappy 格式。不支持其他非官方压缩格式。

自定义文件匹配

TiDB Lightning 仅识别符合命名要求的数据文件，但在某些情况下已提供的数据文件并不符合要求，因此可能出现 TiDB Lightning 在极短的时间结束，处理文件数量为 0 的情况。

为了解决此类问题，TiDB Lightning 提供了 [[mydumper.files]] 配置用于通过自定义表达式匹配数据文件。

以 AWS Aurora 导出至 S3 的快照文件为例，Parquet 文件的完整路径为：S3://some-bucket/some-subdir/some-database/some-database.some-table/part-00000-c5a881bb-58ff-4ee6-1111-b41ecff340a3-c000.gz.parquet。

通常 data-source-dir 会被配置为S3://some-bucket/some-subdir/some-database/ 以导入 some-database 库。

根据上述 Parquet 文件的路径，你可以编写正则表达式 (?i)^(?:[^/]*/)*([a-z0-9\-_]+).([a-z0-9\-_]+)/(?:[^/]*/)*(?:[a-z0-9\-_.]+\.(parquet))$，得到的 match group 中 index=1 的内容为 some-database，index=2 的内容为 some-table，index=3 的内容为 parquet。

根据上述正则表达式及相应的 index 编写配置文件，TiDB Lightning 即可识别非默认命名规则的文件，最终实际配置如下：

1. [[mydumper.files]]
2. # 解析 AWS Aurora parquet 文件所需的表达式
3. pattern = '(?i)^(?:[^/]*/)*([a-z0-9\-_]+).([a-z0-9\-_]+)/(?:[^/]*/)*(?:[a-z0-9\-_.]+\.(parquet))$'
4. schema = '$1'
5. table = '$2'
6. type = '$3'

• schema：目标库名称，值可以为：
• 正则表达式匹配到的 group 序号，例如 “$1”。
• 直接填写期望导入的库名，例如 “db1”。所有匹配到的文件均会导入 “db1”。
• table：目标表名称，值可以为：
• 正则表达式匹配到的 group 序号，例如 “$2”。
• 直接填写期望导入的库名，例如“table1”。所有匹配到的文件均会导入“table1”。
• type：文件类型，支持sql，parquet，csv，值可以为：
• 正则表达式匹配到的 group 序号，例如 “$3”。
• key：文件的序号，即前文所述${db_name}.${table_name}.001.csv中的001。
• 正则表达式匹配到的 group 序号，例如 “$4”。

从 Amazon S3 导入数据

如下为从 Amazon S3 导入数据的示例，更多配置参数描述，可参考外部存储服务的 URI 格式。

• 使用本地已设置的权限访问 S3：

1. tiup tidb-lightning --tidb-port=4000 --pd-urls=127.0.0.1:2379 --backend=local --sorted-kv-dir=/tmp/sorted-kvs \ 2. -d 's3://my-bucket/sql-backup' - 使用路径类型的请求模式：

1. tiup tidb-lightning --tidb-port=4000 --pd-urls=127.0.0.1:2379 --backend=local --sorted-kv-dir=/tmp/sorted-kvs \ 2. -d 's3://my-bucket/sql-backup?force-path-style=true&endpoint=http://10.154.10.132:8088' - 使用 AWS IAM 角色的 ARN 来访问 S3 数据：

1. tiup tidb-lightning --tidb-port=4000 --pd-urls=127.0.0.1:2379 --backend=local --sorted-kv-dir=/tmp/sorted-kvs \ 2. -d 's3://my-bucket/test-data?role-arn=arn:aws:iam::888888888888:role/my-role' - 使用 AWS IAM 用户密钥来访问 S3 数据：

1. tiup tidb-lightning --tidb-port=4000 --pd-urls=127.0.0.1:2379 --backend=local --sorted-kv-dir=/tmp/sorted-kvs \ 2. -d 's3://my-bucket/test-data?access_key={my_access_key}&secret_access_key={my_secret_access_key}' - 使用 AWS IAM 角色的密钥以及会话令牌来访问 S3 数据：

1. tiup tidb-lightning --tidb-port=4000 --pd-urls=127.0.0.1:2379 --backend=local --sorted-kv-dir=/tmp/sorted-kvs \ 2. -d 's3://my-bucket/test-data?access_key={my_access_key}&secret_access_key={my_secret_access_key}&session-token={my_session_token}'

更多

• 使用 Dumpling 导出到 CSV 文件
• LOAD DATA