导入的数据转换、列映射及过滤

支持的导入方式

  • 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. ...

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。

    1. 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:

    1. (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:

    1. 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:

    1. 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
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

    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

    则列映射的书写顺序应如下:

    1. (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:

    1. 1 -> k1
    2. 2 -> k3
    3. 3 -> k2

    则列映射的书写顺序应如下:

    1. (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:

    1. 1 -> k1
    2. 2 -> k3
    3. 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:

    1. (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

    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
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

    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

    则列映射的书写顺序应如下:

    1. (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:

    k1k2k3k4
    1beijing100001.1
    2shanghai200001.2
    3guangzhou300001.3
    nullchongqing400001.4
  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:

    1. 1 -> k1
    2. 2 -> k2
    3. 3 进行地区id转换后 -> k3
    4. 4 -> k4

    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)

    最终表中的数据如下:

    k1k2k3k4
    110011.1
    220021.2
    330031.3
    null40041.4
  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:

    1. 1 如果为null 则转换成0 -> k1
    2. 2 -> k2
    3. 3 -> k3
    4. 4 -> k4

    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)

    最终表中的数据如下:

    k1k2k3k4
    110011.1
    220021.2
    330031.3
    040041.4

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
1100beijing1.1
2200shanghai1.2
3300guangzhou1.3
\N400chongqing1.4
  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:

    1. where k4 > 1.2

    最终表中的数据如下:

    k1k2k3k4
    3300guangzhou1.3
    null400chongqing1.4

    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:

    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

    最终表中的数据如下:

    k1k2k3k4
    110011.1
    220021.2
    null40041.4

    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:

    1. where k1 is not null and k4 >= 1.2

    最终表中的数据如下:

    k1k2k3k4
    220021.2
    330031.3

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:

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

也就是说 Unselected Rows 不会参与错误率的计算。