LOAD DATA
命令功能
LOAD DATA命令以CarbonData特定的数据存储类型加载原始的用户数据，这样，CarbonData可以在查询数据时提供良好的性能。
仅支持加载位于HDFS上的原始数据。
命令格式
LOAD DATA INPATH 'folder_path' INTO TABLE [db_name.]table_name OPTIONS(property_name=property_value, ...);
参数描述
参数 |
描述 |
|---|---|
folder_path |
原始CSV数据文件夹或者文件的路径。 |
db_name |
Database名称。若未指定，则使用当前database。 |
table_name |
所提供的database中的表的名称。 |
注意事项
以下是可以在加载数据时使用的配置选项：
- DELIMITER：可以在加载命令中提供分隔符和引号字符。默认值为,。
OPTIONS('DELIMITER'=',' , 'QUOTECHAR'='"')
可使用'DELIMITER'='\t'来表示用制表符tab对CSV数据进行分隔。
OPTIONS('DELIMITER'='\t')
CarbonData也支持\001和\017作为分隔符。
对于CSV数据，分隔符为单引号（'）时，单引号必须在双引号（" "）内。例如：'DELIMITER'= "'"。
- QUOTECHAR：可以在加载命令中提供分隔符和引号字符。默认值为"。
OPTIONS('DELIMITER'=',' , 'QUOTECHAR'='"')
- COMMENTCHAR：可以在加载命令中提供注释字符。在加载操作期间，如果在行的开头遇到注释字符，那么该行将被视为注释，并且不会被加载。默认值为＃。
- FILEHEADER：如果源文件中没有表头，可在LOAD DATA命令中提供表头。
- ESCAPECHAR：如果用户想在CSV上对Escape字符进行严格验证，可以提供Escape字符。默认值为\。
OPTIONS('ESCAPECHAR'='\')
如果在CSV数据中输入ESCAPECHAR，该ESCAPECHAR必须在双引号（" "）内。例如："a\b"。
- Bad Records处理：
为了使数据处理应用程序为用户增值，不可避免地需要对数据进行某种程度的集成。在大多数情况下，数据质量问题源于生成源数据的上游（主要）系统。
有两种完全不同的方式处理Bad Data：
- 按照数据原本的样子加载所有数据，之后进行除错处理。
- 在进入数据源的过程中，可以清理或擦除Bad Data，或者在发现Bad Data时让数据加载失败。
有多个选项可用于在CarbonData数据加载过程中清除源数据。对于CarbonData数据中的Bad Records管理，请参见表2。
表2 Bad Records Logger 配置项
默认值
描述
BAD_RECORDS_LOGGER_ENABLE
false
若设置为true，则将创建Bad Records日志文件，其中包含Bad Records的详细信息。
BAD_RECORDS_ACTION
FAIL
以下为Bad Records的四种操作类型：
- FORCE：通过将Bad Records存储为NULL来自动校正数据。
- REDIRECT：无法加载Bad Records，并将其写入原始CSV文件。
- IGNORE：既不加载Bad Records也不将其写入原始CSV文件。
- FAIL：如果发现存在Bad Records，数据加载将会失败。
说明：
在加载数据时，如果所有记录都是Bad Records，则参数BAD_RECORDS_ACTION将不起作用，加载数据操作将会失败。
IS_EMPTY_DATA_BAD_RECORD
false
如果设置为“false”，则空（""或''或,,）数据将不被视为Bad Records，如果设置为“true”，则空数据将被视为Bad Records。
BAD_RECORD_PATH
-
指定存储Bad Records的HDFS路径。默认值为Null。 如果启用了Bad Records日志记录或者Bad Records操作重定向，则该路径必须由用户进行配置。
示例：
LOAD DATA INPATH 'filepath.csv' INTO TABLE tablename OPTIONS('BAD_RECORDS_LOGGER_ENABLE'='true', 'BAD_RECORD_PATH'='hdfs://hacluster/tmp/carbon', 'BAD_RECORDS_ACTION'='REDIRECT', 'IS_EMPTY_DATA_BAD_RECORD'='false');
使用“REDIRECT”选项，CarbonData会将所有的Bad Records添加到单独的CSV文件中，但是该文件内容不能用于后续的数据加载，因为其内容可能无法与源记录完全匹配。用户必须清理原始源记录以便于进一步的数据提取。该选项的目的只是让用户知道哪些记录被视为Bad Records。
- MAXCOLUMNS：该可选参数指定了在一行中，由CSV解析器解析的最大列数。
表3 MAXCOLUMNS 可选参数名称
默认值
最大值
MAXCOLUMNS
2000
20000
表4 MAXCOLUMNS可选参数的行为图 MAXCOLUMNS值
在文件Header选项中的列数
考虑的最终值
在加载项中未指定
5
2000
在加载项中未指定
6000
6000
40
7
文件header列数与MAXCOLUMNS值，两者中的最大值
22000
40
20000
60
在加载项中未指定
CSV文件第一行的列数与MAXCOLUMNS值，两者中的最大值
对于设置MAXCOLUMNS Option的最大值，要求executor具有足够的内存，否则，数据加载会由于内存不足的错误而失败。
- 如果在创建表期间将SORT_SCOPE定义为GLOBAL_SORT，则可以指定在对数据进行排序时要使用的分区数。如果未配置或配置小于1，则将使用map任务的数量作为reduce任务的数量。 建议每个reduce任务处理512MB - 1GB数据。
OPTIONS('GLOBAL_SORT_PARTITIONS'='2')
增加分区数可能需要增加“spark.driver.maxResultSize”，因为在driver中收集的采样数据随着分区的增加而增加。
- DATEFORMAT：此选项用于指定表的日期格式。
OPTIONS('DATEFORMAT'='dateFormat')
日期格式由日期模式字符串指定。 Carbon中的日期模式字母与JAVA中的日期模式字母相同。
- TIMESTAMPFORMAT：此选项用于指定表的时间戳格式。
- OPTIONS('TIMESTAMPFORMAT'='timestampFormat')
- SKIP_EMPTY_LINE：数据加载期间，此选项将忽略CSV文件中的空行。
- 可选：SCALE_FACTOR：针对RANGE_COLUMN，SCALE_FACTOR用来控制分区的数量，根据如下公式：
splitSize = max(blocklet_size, (block_size - blocklet_size)) * scale_factor numPartitions = total size of input data / splitSize
默认值为3，range的范围为[1, 300]。
OPTIONS('SCALE_FACTOR'='10')
- 如果GLOBAL_SORT_PARTITIONS和SCALE_FACTOR同时使用，只有GLOBAL_SORT_PARTITIONS生效。
- RANGE_COLUMN合并默认使用LOCAL_SORT。
使用场景
可使用下列语句从CSV文件加载CarbonData table。
LOAD DATA INPATH 'folder path' INTO TABLE tablename OPTIONS(property_name=property_value, ...);
示例
LOAD DATA inpath 'hdfs://hacluster/src/test/resources/data.csv' INTO table carbontable
options('DELIMITER'=',',
'QUOTECHAR'='"',
'COMMENTCHAR'='#',
'ESCAPECHAR'='\',
'FILEHEADER'='empno,empname,designation,doj,
workgroupcategory,workgroupcategoryname,
deptno,deptname,projectcode,projectjoindate,
projectenddate,attendance,utilization,salary',
'DATEFORMAT' = 'yyyy-MM-dd'
);
系统响应
可在driver日志中查看命令运行成功或失败。
