tencent cloud

文档反馈

导入的数据转换、列映射及过滤

最后更新时间:2024-06-27 11:05:44

    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_load
    CREATE 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
    说明
    \\N 在源文件中表示 null。
    1. 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)
    2. 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。
    3. 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:
    1. 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。
    2. 过滤列不存在于表中,仅作为过滤标识。 例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。
    说明
    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
    4
    400
    chongqing
    1.4
    1. 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
    2. 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
    3. 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
    4
    400
    chongqing
    1.4
    1. 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。
    2. 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。
    3. 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 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:
    1. 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。
    2. Unselected Rows 这部分为因 preceding filterwhere 列过滤条件而被过滤掉的数据行。
    3. 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。
    联系我们

    联系我们,为您的业务提供专属服务。

    技术支持

    如果你想寻求进一步的帮助,通过工单与我们进行联络。我们提供7x24的工单服务。

    7x24 电话支持