数据转化
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
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
(
...
);
STREAM LOAD
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_load
ROUTINE LOAD
CREATE ROUTINE LOAD example_db.label1 ON my_table
COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
PRECEDING FILTER k1 = 1,
WHERE k1 > k2
...
参考手册
导入语法
Stream Load
在 HTTP header 中增加 columns 和 where 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：
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_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。
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
(
...
);
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。
CREATE ROUTINE LOAD example_db.label1 ON my_table
COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
PRECEDING FILTER k1 = 1,
WHERE k1 > k2
...
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 |
|---|---|---|---|
| 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,k44 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,k33 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,k55 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。
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,k44 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,k44 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,k44 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 |
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 |
|---|---|---|---|
| 1 | 100 | beijing | 1.1 |
| 2 | 200 | shanghai | 1.2 |
| 3 | 300 | guangzhou | 1.3 |
| null | 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,k44 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,k44 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,k44 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 |
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 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。
