文档首页/ 数据湖探索 DLI/ SQL语法参考（巴黎区域）/ Spark SQL语法参考/ 导入数据
更新时间：2022-12-07 GMT+08:00
查看PDF
分享

导入数据

功能描述

LOAD DATA可用于导入CSV、Parquet、ORC、JSON、Avro格式的数据，内部将转换成Parquet数据格式进行存储。

语法格式

1
2
 
LOAD DATA INPATH 'folder_path' INTO TABLE [db_name.]table_name
  OPTIONS(property_name=property_value, ...);

关键字

  • INPATH：数据路径。
  • OPTIONS：属性列表。

参数说明

表1 参数描述

参数

描述

folder_path

原始数据文件夹或者文件的OBS路径。

db_name

数据库名称。若未指定，则使用当前数据库。

table_name

需要导入数据的表的名称。

以下是可以在导入数据时使用的配置选项：

  • DATA_TYPE: 指定导入的数据类型，当前支持CSV、Parquet、ORC、JSON、Avro类型，默认值为“CSV”。

    配置项为OPTIONS('DATA_TYPE'='CSV')

    导入CSV和JSON文件时，有三种模式可以选择：

    • PERMISSIVE：选择PERMISSIVE模式时，如果某一列数据类型与目标表列数据类型不匹配，则该行数据将被设置为null。
    • DROPMALFORMED：选择DROPMALFORMED模式时，如果某一列数据类型与目标表列数据类型不匹配，则不导入该行数据。
    • FAILFAST：选择FAILFAST模式时，如果某一列类型不匹配，则会抛出异常，导入失败。

    模式设置可通过在OPTIONS中添加 OPTIONS('MODE'='PERMISSIVE')进行设置。

  • DELIMITER：可以在导入命令中指定分隔符，默认值为“,”。

    配置项为OPTIONS('DELIMITER'=',')。

    对于CSV数据，支持如下所述分隔符：

    • 制表符tab，例如：'DELIMITER'='\t'。
    • 任意的二进制字符，例如：'DELIMITER'='\u0001(^A)'。
    • 单引号（'），单引号必须在双引号（" "）内。例如：'DELIMITER'= "'"。
  • QUOTECHAR：可以在导入命令中指定引号字符。默认值为"。

    配置项为OPTIONS('QUOTECHAR'='"')

  • COMMENTCHAR：可以在导入命令中指定注释字符。在导入操作期间，如果在行的开头遇到注释字符，那么该行将被视为注释，并且不会被导入。默认值为＃。

    配置项为OPTIONS('COMMENTCHAR'='#')

  • HEADER：用来表示源文件是否有表头。取值范围为“true”和“false”。“true”表示有表头，“false”表示无表头。默认值为“false”。如果没有表头，可以在导入命令中指定FILEHEADER参数提供表头。

    配置项为OPTIONS('HEADER'='true')

  • FILEHEADER：如果源文件中没有表头，可在LOAD DATA命令中提供表头。

    OPTIONS('FILEHEADER'='column1,column2')

  • 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“\\”。
    配置项为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"。

  • MAXCOLUMNS：该可选参数指定了在一行中，CSV解析器解析的最大列数。

    配置项为OPTIONS('MAXCOLUMNS'='400')

    表2 MAXCOLUMNS

    可选参数名称

    默认值

    最大值

    MAXCOLUMNS

    2000

    20000

    设置MAXCOLUMNS Option的值后，导入数据会对executor的内存有要求，所以导入数据可能会由于executor内存不足而失败。

  • DATEFORMAT：指定列的日期格式。

    OPTIONS('DATEFORMAT'='dateFormat')

    • 默认值为：yyyy-MM-dd。
    • 日期格式由Java的日期模式字符串指定。在Java的日期和时间模式字符串中，未加单引号(')的字符'A' 到'Z' 和'a' 到'z' 被解释为模式字符，用来表示日期或时间字符串元素。若模式字符使用单引号 (') 引起来，则在解析时只进行文本匹配，而不进行解析。Java模式字符定义请参见表3。
    表3 日期及时间模式字符定义

    模式字符

    日期或时间元素

    示例

    G

    纪元标识符

    AD

    y

    年份

    1996; 96

    M

    月份

    July; Jul; 07

    w

    年中的周数

    27(该年的第27周)

    W

    月中的周数

    2(该月的第2周)

    D

    年中的天数

    189(该年的第189天)

    d

    月中的天数

    10(该月的第10天)

    u

    星期中的天数

    1 = 星期一, ..., 7 = 星期日

    a

    am/pm 标记

    pm(下午时)

    H

    24小时数(0-23)

    2

    h

    12小时数(1-12)

    12

    m

    分钟数

    30

    s

    秒数

    55

    S

    毫秒数

    978

    z

    时区

    Pacific Standard Time; PST; GMT-08:00
  • TIMESTAMPFORMAT：指定列的时间戳格式。

    OPTIONS('TIMESTAMPFORMAT'='timestampFormat')

  • MODE：指定导入过程错误记录的处理模式，支持三种选项：PERMISSIVE、DROPMALFORMED和FAILFAST。

    OPTIONS('MODE'='permissive')

    • PERMISSIVE（默认）：尽可能地解析bad records，如果遇到不能转换的字段，则整行为null
    • DROPMALFORMED：忽略掉无法解析的bad records
    • FAILFAST：遇到无法解析的记录时，抛出异常并使Job失败
  • BADRECORDSPATH：指定导入过程中错误记录的存储目录。

    OPTIONS('BADRECORDSPATH'='obs://bucket/path')

    配置该选项后，MODE不可配，固定为"DROPMALFORMED"，即将能够成功转换的记录导入到目标表，而将转换失败的记录存储到指定错误记录存储目录。

注意事项

  • 导入OBS表时，创建OBS表时指定的路径必须是文件夹，若建表路径是文件将导致导入数据失败。
  • 仅支持导入位于OBS路径上的原始数据。
  • 不建议对同一张表并发导入数据，因为有一定概率发生并发冲突，导致导入失败。
  • 导入数据时只能指定一个路径，路径中不能包含逗号。
  • 当OBS桶目录下有文件夹和文件同名时，导入数据会优先指向该路径下的文件而非文件夹。
  • 导入PARQUET、ORC及JSON类型数据时，必须指定DATA_TYPE这一OPTIONS，否则会以默认的“CSV”格式进行解析，从而导致导入的数据格式不正确。
  • 导入CSV及JSON类型数据时，如果包含日期及时间列，需要指定DATEFORMAT及TIMESTAMPFORMAT选项，否则将以默认的日期及时间戳格式进行解析。

示例

导入数据前已参考创建OBS表或者创建DLI表章节中的示例描述创建对应的表。

  • 可使用下列语句将CSV文件导入到表，“t”为表名。 
    1
2
    		 
    LOAD DATA INPATH 'obs://dli/data.csv' INTO TABLE t
  OPTIONS('DELIMITER'=',' , 'QUOTECHAR'='"','COMMENTCHAR'='#','HEADER'='false');
  • 可使用下列语句将JSON文件导入到表，“jsontb”为表名。 
    1
2
    		 
    LOAD DATA INPATH 'obs://dli/alltype.json' into table jsontb
  OPTIONS('DATA_TYPE'='json','DATEFORMAT'='yyyy/MM/dd','TIMESTAMPFORMAT'='yyyy/MM/dd HH:mm:ss');
父主题： Spark SQL语法参考