使用场景

在导入过程中,Doris 支持对源数据进行一些变换,具体有:映射、转换、前置过滤和后置过滤。

  • 映射:把源数据中的 A 列导入到目标表中的 B 列。

  • 变换:以源数据中的列为参数,通过一个表达式计算出目标列中的值,表达式中支持自定义函数。

  • 前置过滤:过滤源数据中的行,只导入符合过滤条件的行。

  • 后置过滤:过滤结果中的行,只导入符合过滤条件的行。

快速上手

BROKER LOAD

  1. LOAD LABEL example_db.label1
  2. (
  3. DATA INFILE("bos://bucket/input/file")
  4. INTO TABLE `my_table`
  5. (k1, k2, tmpk3)
  6. PRECEDING FILTER k1 = 1
  7. SET (
  8. k3 = tmpk3 + 1
  9. )
  10. WHERE k1 > k2
  11. )
  12. WITH BROKER bos
  13. (
  14. ...
  15. );

STREAM LOAD

  1. curl
  2. --location-trusted
  3. -u user:passwd
  4. -H "columns: k1, k2, tmpk3, k3 = tmpk3 + 1"
  5. -H "where: k1 > k2"
  6. -T file.txt
  7. http://host:port/api/testDb/testTbl/_stream_load

ROUTINE LOAD

  1. CREATE ROUTINE LOAD example_db.label1 ON my_table
  2. COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
  3. PRECEDING FILTER k1 = 1,
  4. WHERE k1 > k2
  5. ...

参考手册

导入语法

Stream Load

在 HTTP header 中增加 columnswhere 参数

  • columns 指定列映射和值变换。

  • where 指定后置过滤。

Stream load 不支持前置过滤。

示例:

  1. curl
  2. --location-trusted
  3. -u user:passwd
  4. -H "columns: k1, k2, tmpk3, k3 = tmpk3 + 1"
  5. -H "where: k1 > k2"
  6. -T file.txt
  7. http://host:port/api/testDb/testTbl/_stream_load

Broker Load

在 SQL 语句中定义数据变换,其中:

  • (k1, k2, tmpk3) 指定列映射。

  • PRECEDING FILTER 指定前置过滤。

  • SET 指定列变换。

  • WHERE 指定后置过滤。

  1. LOAD LABEL example_db.label1
  2. (
  3. DATA INFILE("bos://bucket/input/file")
  4. INTO TABLE `my_table`
  5. (k1, k2, tmpk3)
  6. PRECEDING FILTER k1 = 1
  7. SET (
  8. k3 = tmpk3 + 1
  9. )
  10. WHERE k1 > k2
  11. )
  12. WITH BROKER bos
  13. (
  14. ...
  15. );

Routine Load

在 SQL 语句中定义数据变换,其中:

  • COLUMNS 指定列映射和列变换。

  • PRECEDING FILTER 指定前置过滤。

  • WHERE 指定后置过滤。

  1. CREATE ROUTINE LOAD example_db.label1 ON my_table
  2. COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
  3. PRECEDING FILTER k1 = 1,
  4. WHERE k1 > k2
  5. ...

Insert Into

Insert Into 可以直接在 SELECT 语句中完成数据变换,增加 WHERE 子句完成数据过滤。

列映射

列映射的目的主要是描述导入文件中各个列的信息,相当于为源数据中的列定义名称。通过描述列映射关系,我们可以将于表中列顺序不同、列数量不同的源文件导入到 Doris 中。下面我们通过示例说明:

假设源文件有 4 列,内容如下(表头列名仅为方便表述,实际并无表头):

列 1列 2列 3列 4
1100beijing1.1
2200shanghai1.2
3300guangzhou1.3
4\Nchongqing1.4

注:\N 在源文件中表示 null。

  1. 调整映射顺序

  2. 假设表中有 k1,k2,k3,k4 4 列。我们希望的导入映射关系如下:

  1. 1 -> k1
  2. 2 -> k3
  3. 3 -> k2
  4. 4 -> k4
  1. 则列映射的书写顺序应如下:
  1. (k1, k3, k2, k4)
  1. 源文件中的列数量多于表中的列

  2. 假设表中有 k1,k2,k3 3 列。我们希望的导入映射关系如下:

  1. 1 -> k1
  2. 2 -> k3
  3. 3 -> k2
  1. 则列映射的书写顺序应如下:
  1. (k1, k3, k2, tmpk4)
  1. 其中 tmpk4 为一个自定义的、表中不存在的列名。Doris 会忽略这个不存在的列名。

  2. 源文件中的列数量少于表中的列,使用默认值填充

  3. 假设表中有 k1,k2,k3,k4,k5 5 列。我们希望的导入映射关系如下:

  1. 1 -> k1
  2. 2 -> k3
  3. 3 -> k2
  1. 这里我们仅使用源文件中的前 3 列。k4,k5 两列希望使用默认值填充。

  2. 则列映射的书写顺序应如下:

  1. (k1, k3, k2)
  1. 如果 k4,k5 列有默认值,则会填充默认值。否则如果是 nullable 的列,则会填充 null 值。否则,导入作业会报错。

前置过滤

前置过滤是对读取到的原始数据进行一次过滤。目前仅支持 BROKER LOAD 和 ROUTINE LOAD。

前置过滤有以下应用场景:

  1. 转换前做过滤

  2. 希望在列映射和转换前做过滤的场景。能够先行过滤掉部分不需要的数据。

  3. 过滤列不存在于表中,仅作为过滤标识

  4. 比如源数据中存储了多张表的数据(或者多张表的数据写入了同一个 Kafka 消息队列)。数据中每行有一列表名来标识该行数据属于哪个表。用户可以通过前置过滤条件来筛选对应的表数据进行导入。

列转换

列转换功能允许用户对源文件中列值进行变换。目前 Doris 支持使用绝大部分内置函数、用户自定义函数进行转换。

数据转化 - 图1备注

注:自定义函数隶属于某一数据库下,在使用自定义函数进行转换时,需要用户对这个数据库有读权限。

转换操作通常是和列映射一起定义的。即先对列进行映射,再进行转换。下面我们通过示例说明:

假设源文件有 4 列,内容如下(表头列名仅为方便表述,实际并无表头):

列 1列 2列 3列 4
1100beijing1.1
2200shanghai1.2
3300guangzhou1.3
\N400chongqing1.4
  1. 将源文件中的列值经转换后导入表中

  2. 假设表中有 k1,k2,k3,k4 4 列。我们希望的导入映射和转换关系如下:

  1. 1 -> k1
  2. 2 * 100 -> k3
  3. 3 -> k2
  4. 4 -> k4
  1. 则列映射的书写顺序应如下:
  1. (k1, tmpk3, k2, k4, k3 = tmpk3 * 100)
  1. 这里相当于我们将源文件中的第 2 列命名为 tmpk3,同时指定表中 k3 列的值为 tmpk3 * 100。最终表中的数据如下:
k1k2k3k4
1beijing100001.1
2shanghai200001.2
3guangzhou300001.3
nullchongqing400001.4
  1. 通过 case when 函数,有条件的进行列转换。

  2. 假设表中有 k1,k2,k3,k4 4 列。我们希望对于源数据中的 beijing, shanghai, guangzhou, chongqing 分别转换为对应的地区 id 后导入:

  1. 1 -> k1
  2. 2 -> k2
  3. 3 进行地区id转换后 -> k3
  4. 4 -> k4
  1. 则列映射的书写顺序应如下:
  1. (k1, k2, tmpk3, k4, k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)
  1. 最终表中的数据如下:
k1k2k3k4
110011.1
220021.2
330031.3
null40041.4
  1. 将源文件中的 null 值转换成 0 导入。同时也进行示例 2 中的地区 id 转换。

  2. 假设表中有 k1,k2,k3,k4 4 列。在对地区 id 转换的同时,我们也希望对于源数据中 k1 列的 null 值转换成 0 导入:

  1. 1 如果为null 则转换成0 -> k1
  2. 2 -> k2
  3. 3 -> k3
  4. 4 -> k4
  1. 则列映射的书写顺序应如下:
  1. (tmpk1, k2, tmpk3, k4, k1 = ifnull(tmpk1, 0), k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)
  1. 最终表中的数据如下:
k1k2k3k4
110011.1
220021.2
330031.3
040041.4

后置过滤

经过列映射和转换后,我们可以通过过滤条件将不希望导入到 Doris 中的数据进行过滤。下面我们通过示例说明:

假设源文件有 4 列,内容如下(表头列名仅为方便表述,实际并无表头):

列 1列 2列 3列 4
1100beijing1.1
2200shanghai1.2
3300guangzhou1.3
null400chongqing1.4
  1. 在列映射和转换缺省的情况下,直接过滤

  2. 假设表中有 k1,k2,k3,k4 4 列。我们可以在缺省列映射和转换的情况下,直接定义过滤条件。如我们希望只导入源文件中第 4 列为大于 1.2 的数据行,则过滤条件如下:

  1. where k4 > 1.2
  1. 最终表中的数据如下:
k1k2k3k4
3300guangzhou1.3
null400chongqing1.4
  1. 缺省情况下,Doris 会按照顺序进行列映射,因此源文件中的第 4 列自动被映射到表中的 k4 列。

  2. 对经过列转换的数据进行过滤

  3. 假设表中有 k1,k2,k3,k4 4 列。在 列转换 示例中,我们将省份名称转换成了 id。这里我们想过滤掉 id 为 3 的数据。则转换、过滤条件如下:

  1. (k1, k2, tmpk3, k4, k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)
  2. where k3 != 3
  1. 最终表中的数据如下:
k1k2k3k4
110011.1
220021.2
null40041.4
  1. 这里我们看到,执行过滤时的列值,为经过映射和转换后的最终列值,而不是原始数据。

  2. 多条件过滤

  3. 假设表中有 k1,k2,k3,k4 4 列。我们想过滤掉 k1 列为 null 的数据,同时过滤掉 k4 列小于 1.2 的数据,则过滤条件如下:

  1. where k1 is not null and k4 >= 1.2
  1. 最终表中的数据如下:
k1k2k3k4
220021.2
330031.3

最佳实践

数据质量问题和过滤阈值

导入作业中被处理的数据行可以分为如下三种:

  • Filtered Rows 因数据质量不合格而被过滤掉的数据。数据质量不合格包括类型错误、精度错误、字符串长度超长、文件列数不匹配等数据格式问题,以及因没有对应的分区而被过滤掉的数据行。

  • Unselected Rows 这部分为因 preceding filterwhere 列过滤条件而被过滤掉的数据行。

  • Loaded Rows 被正确导入的数据行。

Doris 的导入任务允许用户设置最大错误率(max_filter_ratio)。如果导入的数据的错误率低于阈值,则这些错误行将被忽略,其他正确的数据将被导入。

错误率的计算方式为:

  1. # Filtered Rows / (#Filtered Rows + #Loaded Rows)

也就是说 Unselected Rows 不会参与错误率的计算。