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

    
         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DLI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'= "'"。
- DLI表还支持\001（^A）和\017（^Q），例如：'DELIMITER'='\001(^A)'，'DELIMITER'='\017(^Q)'。
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')
- 默认值为：yyyy-MM-dd HH:mm:ss。
- 时间戳格式由Java的时间模式字符串指定。Java时间模式字符串定义详见表3 日期及时间模式字符定义。

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DLI表，“t”为表名。

      
           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DLI表，“jsontb”为表名。

      
           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');