导入的数据转换、列映射及过滤
导入的数据转换、列映射及过滤
支持的导入方式
LOAD LABEL example_db.label1
(
DATA INFILE("bos://bucket/input/file")
INTO TABLE `my_table`
(k1, k2, tmpk3)
PRECEDING FILTER k1 = 1
SET (
k3 = tmpk3 + 1
)
WHERE k1 > k2
)
WITH BROKER bos
(
...
);curl
--location-trusted
-u user:passwd
-H "columns: k1, k2, tmpk3, k3 = tmpk3 + 1"
-H "where: k1 > k2"
-T file.txt
http://host:port/api/testDb/testTbl/_stream_loadCREATE ROUTINE LOAD example_db.label1 ON my_table
COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
PRECEDING FILTER k1 = 1,
WHERE k1 > k2
...
以上导入方式都支持对源数据进行列映射、转换和过滤操作:
前置过滤:对读取到的原始数据进行一次过滤。
PRECEDING FILTER k1 = 1
映射:定义源数据中的列。如果定义的列名和表中的列相同,则直接映射为表中的列。如果不同,则这个被定义的列可以用于之后的转换操作。如上面示例中的:
(k1, k2, tmpk3)
转换:将第一步中经过映射的列进行转换,可以使用内置表达式、函数、自定义函数进行转化,并重新映射到表中对应的列上。如上面示例中的:
k3 = tmpk3 + 1
后置过滤:对经过映射和转换后的列,通过表达式进行过滤。被过滤的数据行不会导入到系统中。如上面示例中的:
WHERE k1 > k2
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 |
---|---|---|---|
1 | 100 | beijing | 1.1 |
2 | 200 | shanghai | 1.2 |
3 | 300 | guangzhou | 1.3 |
4 | \N | chongqing | 1.4 |
注:
\N
在源文件中表示 null。
调整映射顺序
假设表中有
k1,k2,k3,k4
4列。我们希望的导入映射关系如下:列1 -> k1
列2 -> k3
列3 -> k2
列4 -> k4则列映射的书写顺序应如下:
(k1, k3, k2, k4)
源文件中的列数量多于表中的列
假设表中有
k1,k2,k3
3列。我们希望的导入映射关系如下:列1 -> k1
列2 -> k3
列3 -> k2则列映射的书写顺序应如下:
(k1, k3, k2, tmpk4)
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。源文件中的列数量少于表中的列,使用默认值填充
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:列1 -> k1
列2 -> k3
列3 -> k2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。则列映射的书写顺序应如下:
(k1, k3, k2)
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。
列前置过滤
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:
转换前做过滤
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。
过滤列不存在于表中,仅作为过滤标识
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。
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 |
---|---|---|---|
1 | 100 | beijing | 1.1 |
2 | 200 | shanghai | 1.2 |
3 | 300 | guangzhou | 1.3 |
\N | 400 | chongqing | 1.4 |
将源文件中的列值经转换后导入表中
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:列1 -> k1
列2 * 100 -> k3
列3 -> k2
列4 -> k4则列映射的书写顺序应如下:
(k1, tmpk3, k2, k4, k3 = tmpk3 * 100)
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:k1 k2 k3 k4 1 beijing 10000 1.1 2 shanghai 20000 1.2 3 guangzhou 30000 1.3 null chongqing 40000 1.4 通过 case when 函数,有条件的进行列转换。
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:列1 -> k1
列2 -> k2
列3 进行地区id转换后 -> k3
列4 -> k4则列映射的书写顺序应如下:
(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)
最终表中的数据如下:
k1 k2 k3 k4 1 100 1 1.1 2 200 2 1.2 3 300 3 1.3 null 400 4 1.4 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。
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:列1 如果为null 则转换成0 -> k1
列2 -> k2
列3 -> k3
列4 -> k4则列映射的书写顺序应如下:
(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)
最终表中的数据如下:
k1 k2 k3 k4 1 100 1 1.1 2 200 2 1.2 3 300 3 1.3 0 400 4 1.4
列过滤
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 |
---|---|---|---|
1 | 100 | beijing | 1.1 |
2 | 200 | shanghai | 1.2 |
3 | 300 | guangzhou | 1.3 |
\N | 400 | chongqing | 1.4 |
在列映射和转换缺省的情况下,直接过滤
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:where k4 > 1.2
最终表中的数据如下:
k1 k2 k3 k4 3 300 guangzhou 1.3 null 400 chongqing 1.4 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。对经过列转换的数据进行过滤
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:(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)
where k3 != 3最终表中的数据如下:
k1 k2 k3 k4 1 100 1 1.1 2 200 2 1.2 null 400 4 1.4 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。
多条件过滤
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:where k1 is not null and k4 >= 1.2
最终表中的数据如下:
k1 k2 k3 k4 2 200 2 1.2 3 300 3 1.3
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 filter
或where
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:
#Filtered Rows / (#Filtered Rows + #Loaded Rows)
也就是说 Unselected Rows
不会参与错误率的计算。