title: CSV 支持

CSV 支持

TiDB Lightning 支持读取 CSV（逗号分隔值）的数据源，以及其他定界符格式如 TSV（制表符分隔值）。

文件名

包含整张表的 CSV 文件需命名为 db_name.table_name.csv，该文件会被解析为数据库 db_name 里名为 table_name 的表。

如果一个表分布于多个 CSV 文件，这些 CSV 文件命名需加上文件编号的后缀，如 db_name.table_name.003.csv。数字部分不需要连续但必须递增，并用零填充。

文件扩展名必须为 *.csv，即使文件的内容并非逗号分隔。

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 CREATE TABLE 的文件 db_name.table_name-schema.sql 以及包含 CREATE DATABASE DDL 语句的文件 db_name-schema-create.sql。
  • 首先在 TiDB 中直接创建空表，然后在 tidb-lightning.toml 中设置 [mydumper] no-schema = true。

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，必须为 ASCII 字符。
  3. separator = ','
  4. # 引用定界符，可以为 ASCII 字符或空字符。
  5. delimiter = '"'
  6. # CSV 文件是否包含表头。
  7. # 如果为 true，首行将会被跳过。
  8. header = true
  9. # CSV 是否包含 NULL。
  10. # 如果为 true，CSV 文件的任何列都不能解析为 NULL。
  11. not-null = false
  12. # 如果 `not-null` 为 false（即 CSV 可以包含 NULL），
  13. # 为以下值的字段将会被解析为 NULL。
  14. null = '\N'
  15. # 是否解析字段内的反斜线转义符。
  16. backslash-escape = true
  17. # 是否移除以分隔符结束的行。
  18. trim-last-separator = false

separator

  • 指定字段分隔符。
  • 必须为单个 ASCII 字符。

  • 常用值：

    • CSV 用 ','
    • TSV 用 "\t"

  • 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。

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。

    | 转义符 | 转换为 | |—————|—————————————| | \0 | 空字符 (U+0000) | | \b | 退格 (U+0008) | | \n | 换行 (U+000A) | | \r | 回车 (U+000D) | | \t | 制表符 (U+0009) | | \Z | Windows EOF (U+001A) |

    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')。

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：

  • 行终止符只能是 CR（\r），LF（\n）或 CRLF（\r\n），也就是说，无法自定义 LINES TERMINATED BY。
  • 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。
  • 定界符和分隔符只能为单个 ASCII 字符。

设置 strict-format 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：

  • 分隔符为空；
  • 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。

通用配置

CSV

默认设置已按照 RFC 4180 调整。

  1. [mydumper.csv]
  2. separator = ','
  3. delimiter = '"'
  4. header = true
  5. not-null = false
  6. null = '\N'
  7. backslash-escape = true
  8. trim-last-separator = false

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
  8. trim-last-separator = 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. header = false
  5. not-null = true
  6. backslash-escape = false
  7. trim-last-separator = true

示例内容：

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