STREAM LOAD

description

  1. NAME:
  2.     stream-load: load data to table in streaming
  4. SYNOPSIS
  5.     curl --location-trusted -u user:passwd [-H ""...] -T data.file -XPUT http://fe_host:http_port/api/{db}/{table}/_stream_load
  7. DESCRIPTION
  8.     该语句用于向指定的 table 导入数据，与普通Load区别是，这种导入方式是同步导入。
  9.     这种导入方式仍然能够保证一批导入任务的原子性，要么全部数据导入成功，要么全部失败。
  10.     该操作会同时更新和此 base table 相关的 rollup table 的数据。
  11.     这是一个同步操作，整个数据导入工作完成后返回给用户导入结果。    
  12.     当前支持HTTP chunked与非chunked上传两种方式，对于非chunked方式，必须要有Content-Length来标示上传内容长度，这样能够保证数据的完整性。
  13.     另外，用户最好设置Expect Header字段内容100-continue，这样可以在某些出错场景下避免不必要的数据传输。
  15. OPTIONS
  16.     用户可以通过HTTP的Header部分来传入导入参数
  18.     label: 一次导入的标签，相同标签的数据无法多次导入。用户可以通过指定Label的方式来避免一份数据重复导入的问题。
  19.     当前Palo内部保留30分钟内最近成功的label。
  21.     column_separator：用于指定导入文件中的列分隔符，默认为\t。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。
  22.     如hive文件的分隔符\x01，需要指定为-H "column_separator:\x01"
  24.     columns：用于指定导入文件中的列和 table 中的列的对应关系。如果源文件中的列正好对应表中的内容，那么是不需要指定这个字段的内容的。
  25.     如果源文件与表schema不对应，那么需要这个字段进行一些数据转换。这里有两种形式column，一种是直接对应导入文件中的字段，直接使用字段名表示；
  26.     一种是衍生列，语法为 `column_name` = expression。举几个例子帮助理解。
  27.     例1: 表中有3个列“c1, c2, c3”，源文件中的三个列一次对应的是"c3,c2,c1"; 那么需要指定-H "columns: c3, c2, c1"
  28.     例2: 表中有3个列“c1, c2, c3", 源文件中前三列依次对应，但是有多余1列；那么需要指定-H "columns: c1, c2, c3, xxx"; 
  29.     最后一个列随意指定个名称占位即可
  30.     例3: 表中有3个列“year, month, day"三个列，源文件中只有一个时间列，为”2018-06-01 01:02:03“格式；
  31.     那么可以指定-H "columns: col, year = year(col), month=month(col), day=day(col)"完成导入
  33.     where: 用于抽取部分数据。用户如果有需要将不需要的数据过滤掉，那么可以通过设定这个选项来达到。
  34.     例1: 只导入大于k1列等于20180601的数据，那么可以在导入时候指定-H "where: k1 = 20180601"
  36.     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。数据不规范不包括通过 where 条件过滤掉的行。
  38.     partitions: 用于指定这次导入所设计的partition。如果用户能够确定数据对应的partition，推荐指定该项。不满足这些分区的数据将被过滤掉。
  39.     比如指定导入到p1, p2分区，-H "partitions: p1, p2"
  41.     timeout: 指定导入的超时时间。单位秒。默认是 600 秒。可设置范围为 1 秒 ~ 259200 秒。
  43.     strict_mode: 用户指定此次导入是否开启严格模式，默认为开启。关闭方式为 -H "strict_mode: false"。
  45.     timezone: 指定本次导入所使用的时区。默认为东八区。该参数会影响所有导入涉及的和时区有关的函数结果。
  47.     exec_mem_limit: 导入内存限制。默认为 2GB。单位为字节。
  49. RETURN VALUES
  50.     导入完成后，会以Json格式返回这次导入的相关内容。当前包括一下字段
  51.     Status: 导入最后的状态。
  52.         Success：表示导入成功，数据已经可见；
  53.         Publish Timeout：表述导入作业已经成功Commit，但是由于某种原因并不能立即可见。用户可以视作已经成功不必重试导入
  54.         Label Already Exists: 表明该Label已经被其他作业占用，可能是导入成功，也可能是正在导入。
  55.         用户需要通过get label state命令来确定后续的操作
  56.         其他：此次导入失败，用户可以指定Label重试此次作业
  57.     Message: 导入状态详细的说明。失败时会返回具体的失败原因。
  58.     NumberTotalRows: 从数据流中读取到的总行数
  59.     NumberLoadedRows: 此次导入的数据行数，只有在Success时有效
  60.     NumberFilteredRows: 此次导入过滤掉的行数，即数据质量不合格的行数
  61.     NumberUnselectedRows: 此次导入，通过 where 条件被过滤掉的行数
  62.     LoadBytes: 此次导入的源文件数据量大小
  63.     LoadTimeMs: 此次导入所用的时间
  64.     ErrorURL: 被过滤数据的具体内容，仅保留前1000条
  66. ERRORS
  67.     可以通过以下语句查看导入错误详细信息：
  69.     SHOW LOAD WARNINGS ON 'url'
  71.     其中 url 为 ErrorURL 给出的 url。

example

  1. 1. 将本地文件'testData'中的数据导入到数据库'testDb'中'testTbl'的表，使用Label用于去重。指定超时时间为 100 秒
  2.     curl --location-trusted -u root -H "label:123" -H "timeout:100" -T testData http://host:port/api/testDb/testTbl/_stream_load
  4. 2. 将本地文件'testData'中的数据导入到数据库'testDb'中'testTbl'的表，使用Label用于去重, 并且只导入k1等于20180601的数据
  5.     curl --location-trusted -u root -H "label:123" -H "where: k1=20180601" -T testData http://host:port/api/testDb/testTbl/_stream_load
  7. 3. 将本地文件'testData'中的数据导入到数据库'testDb'中'testTbl'的表, 允许20%的错误率（用户是defalut_cluster中的）
  8.     curl --location-trusted -u root -H "label:123" -H "max_filter_ratio:0.2" -T testData http://host:port/api/testDb/testTbl/_stream_load
  10. 4. 将本地文件'testData'中的数据导入到数据库'testDb'中'testTbl'的表, 允许20%的错误率，并且指定文件的列名（用户是defalut_cluster中的）
  11.     curl --location-trusted -u root  -H "label:123" -H "max_filter_ratio:0.2" -H "columns: k2, k1, v1" -T testData http://host:port/api/testDb/testTbl/_stream_load
  13. 5. 将本地文件'testData'中的数据导入到数据库'testDb'中'testTbl'的表中的p1, p2分区, 允许20%的错误率。
  14.     curl --location-trusted -u root  -H "label:123" -H "max_filter_ratio:0.2" -H "partitions: p1, p2" -T testData http://host:port/api/testDb/testTbl/_stream_load
  16. 6. 使用streaming方式导入（用户是defalut_cluster中的）
  17.     seq 1 10 | awk '{OFS="\t"}{print $1, $1 * 10}' | curl --location-trusted -u root -T - http://host:port/api/testDb/testTbl/_stream_load
  19. 7. 导入含有HLL列的表，可以是表中的列或者数据中的列用于生成HLL列，也可使用hll_empty补充数据中没有的列
  20.     curl --location-trusted -u root -H "columns: k1, k2, v1=hll_hash(k1), v2=hll_empty()" -T testData http://host:port/api/testDb/testTbl/_stream_load
  22. 8. 导入数据进行严格模式过滤，并设置时区为 Africa/Abidjan
  23.     curl --location-trusted -u root -H "strict_mode: true" -H "timezone: Africa/Abidjan" -T testData http://host:port/api/testDb/testTbl/_stream_load
  25. 9. 导入含有BITMAP列的表，可以是表中的列或者数据中的列用于生成BITMAP列，也可以使用bitmap_empty填充空的Bitmap
  26.     curl --location-trusted -u root -H "columns: k1, k2, v1=to_bitmap(k1), v2=bitmap_empty()" -T testData http://host:port/api/testDb/testTbl/_stream_load

keyword

  1. STREAM,LOAD