STREAM-LOAD

STREAM LOAD

Description

Stream Load 通过 HTTP 协议向 PALO 传输并导入数据。该方式主要用户本地数据的上传的导入。但其本质上是一种导入框架，其提供的 HTTP 接口，不仅能够支持本地数据的传输，也能够支持内存数据、管道数据等向 HTTP 端口传输数据。

• 公有云用户必须使用 Compute Node（BE）的 HTTP 协议端口，默认为 8040。
• 私有化部署用户可以使用 Leader Node（FE）的 HTTP 协议端口，默认为 8030。但须保证客户端所在机器网络能够联通 Compute Node 所在机器。

本文档主要通过 cURL 命令来介绍 Stream Load 的使用方式

1curl -XPUT --location-trusted -u user:passwd \
2[-H "header1: xxx" -H "header2: xxx" ...] \
3-T data.txt \
4http://host:port/api/{db}/{table}/_stream_load

• HTTP 的请求方式为 PUT
• 当前支持 HTTP chunked 与非 chunked 上传两种方式。对于非 chunked 方式，Header 中必须包含 Content-Length 来标识上传内容的长度，以保证数据的完整性。
• Header 中建议包含 Expect Header: 100-continue，这样可以在某些出错场景下避免不必要的数据传输。

• 命令的目标 host:port 有两种方式：

  1. 指向 FE 的 HTTP 协议端口。这种方式，FE 会直接将请求做 307 转发到随机的一个 BE 节点。最终请求和数据直接和这个 BE 节点通讯。这种方式需要客户端和 BE 节点的网络能够正常通讯。
  2. 指向 BE 的 HTTP 协议端口。则请求直接和 BE 节点交互。

  注：百度云 PALO 用户请直接连接 Compute Node 的 HTTP 协议端口即可。

• 在 URL 的 {db} 和 {table} 两个 Path Parameter 中指定要导入的数据库和表。

• 导入任务的其他参数均在 Header 中指定：

  • label

    为导入任务指定一个 Label，用于唯一标示这个作业。如果不指定，则系统会自动生成一个 UUID 作为 Label。

    -H "label: my_label1"

  • column_separator

    用于指定导入文件中的列分隔符，默认为 \t。如果是不可见字符，则需要加\x作为前缀，使用十六进制来表示分隔符。如hive文件的分隔符 \x01，需要指定为 \x01。

    -H "column_separator: ,"

  • columns

    用于指定文件列和表中列的映射关系，以及各种列转换等。关于这部分详细介绍，可以参阅 列的映射，转换与过滤 文档。

    -H "columns: k1, k2, tmpk1, k3 = tmpk1 + 1"

  • where

    根据条件对导入的数据进行过滤。关于这部分详细介绍，可以参阅 列的映射，转换与过滤 文档。

    -H "where: k1 > 100"

  • max_filter_ratio

    最大容忍可过滤（数据不规范等原因）的数据比例。默认零容忍。取值范围为 0 到 1。

    -H "max_filter_ratio: 0.01"

  • partitions

    指定需要导入的分区。

    -H "partitions: p1, p2"

  • timeout

    指定导入的超时时间。单位秒。默认是 600 秒。可设置范围为 1 秒 ~ 14400 秒。

    -H "timeout: 120"

  • strict_mode

    是否对数据进行严格限制。默认为 false。

    -H "strict_mode: true"

  • timezone

    指定本次导入所使用的时区。默认为东八区。该参数会影响所有导入涉及的和时区有关的函数结果。

    -H "timezone: Asia/Shanghai"

  • exec_mem_limit

    导入内存限制。默认为 2GB。单位为字节。

    -H "exec_mem_limit: 4294967296"

  • format

    指定导入数据格式。支持 csv 和 json 两种格式。默认为 csv。

    -H "format: json"

  • jsonpaths

    当导入数据格式为 json 时，可以通过 jsonpaths 指定抽取 Json 数据中的字段。

    -H "jsonpaths: [\"$.k2\", \"$.k1\"]"

  • strip_outer_array

    当导入数据格式为 json 时，strip_outer_array 为 true 表示 Json 数据以数组的形式展现，数据中的每一个元素将被视为一行数据。默认值是 false。

    -H "strip_outer_array: true"

  • json_root

    当导入数据格式为 json 时，可以通过 json_root 指定 Json 数据的根节点。PALO 将通过 json_root 抽取根节点的元素进行解析。默认为空。

    -H "json_root: $.RECORDS"

  • merge_type

    数据合并类型。默认为 APPEND，表示本次导入是普通的追加写操作。MERGE 和 DELETE 类型仅适用于 Unique Key 模型表。其中 MERGE 类型需要配合 delete 参数使用，以标注 Delete Flag 列。而 DELETE 类型则表示本次导入的所有数据皆为删除数据。

    -H "merge_type: MERGE"

  • delete: 仅在 MERGE 类型下有意义，用于指定 Delete Flag 列以及标示删除标记的条件。

    -H "delete: col3 = 1"

  • function_column.sequence_col

    仅针对 Unique Key 模型的表。用于指定导入数据中表示 Sequence Col 的列。主要用于导入时保证数据顺序。

    -H "function_column.sequence_col: col3"

  • fuzzy_parse

    当导入数据格式是 Json 数组形式，并且数组中每一行的字段顺序完全一致。可以开启此参数，以加速导入速度。通常需配合 strip_outer_array: true 一起使用。详情可见 JSON格式数据导入说明。

    -H "fuzzy_parse: true"

Example

1. 导入本地文件 testData，并指定超时时间

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label1" -H "timeout:100" -T testData http://host:port/api/example_db/my_table/_stream_load

2. 导入本地文件 testData，并按条件过滤数据

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label2" -H "where: k1=20180601" -T testData http://host:port/api/example_db/my_table/_stream_load

3. 导入本地文件 testData，并设置最大容许错误率

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label3" -H "max_filter_ratio:0.2" -T testData http://host:port/api/example_db/my_table/_stream_load

4. 导入本地文件 testData，并指定列映射关系

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label4" -H "max_filter_ratio:0.2" -H "columns: k2, k1, v1" -T testData http://host:port/api/example_db/my_table/_stream_load

5. 导入本地文件 testData，并指定分区，以及最大容许错误率

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label5" -H "max_filter_ratio:0.2" -H "partitions: p1, p2" -T testData http://host:port/api/example_db/my_table/_stream_load

6. 使用streaming方式导入

   Plain Text 复制

   1seq 1 10 | awk '{OFS="\t"}{print $1, $1 * 10}' | curl --location-trusted -u admin -T - http://host:port/api/example_db/my_table/_stream_load

7. 导入含有HLL列的表

   Plain Text 复制

   1curl --location-trusted -u admin -H "columns: k1, k2, v1=hll_hash(k1), v2=hll_empty()" -T testData http://host:port/api/example_db/my_table/_stream_load

8. 导入含有 BITMAP 列的表

   Plain Text 复制

   1curl --location-trusted -u admin -H "columns: k1, k2, v1=to_bitmap(k1), v2=bitmap_empty()" -T testData http://host:port/api/example_db/my_table/_stream_load

9. 导入 Json 数据，使用简单模式。即 Json 数据中的字段名即为列名。

   表结构为：

   Plain Text 复制

   1category    varchar(512)
   2author      varchar(512)
   3title       varchar(512)
   4price       double

   Json 数据：

   JSON 复制

   1{"category":"C++","author":"avc","title":"C++ primer","price":895}

   导入命令：

   Plain Text 复制

   1curl --location-trusted -u admin -H "label:label10" -H "format: json" -T testData http://host:port/api/example_db/my_table/_stream_load

10. 导入 Json 数据，使用 jsonpath 抽取字段

    json数据格式：

    JSON 复制

    1{"category":"xuxb111","author":"1avc","title":"SayingsoftheCentury","price":895},

    通过 jsonpath 抽取 category, author, price 三个字段。

    Plain Text 复制

    1curl --location-trusted -u admin -H "columns: category, price, author" -H "label:123" -H "format: json" -H "jsonpaths: [\"$.category\",\"$.price\",\"$.author\"]" -H "strip_outer_array: true" -T testData http://host:port/api/example_db/my_table/_stream_load

11. 导入 Json 数据，指定 Json document 根节点，并展平数组。

    json数据格式:

    JSON 复制

    1{
    2"RECORDS":[
    3    {"category":"11","title":"SayingsoftheCentury","price":895,"timestamp":1589191587},
    4    {"category":"22","author":"2avc","price":895,"timestamp":1589191487},
    5    {"category":"33","author":"3avc","title":"SayingsoftheCentury","timestamp":1589191387}
    6    ]
    7}

    通过 jsonpath 抽取 category, author, price 三个字段。

    Plain Text 复制

    1curl --location-trusted -u admin -H "columns: category, price, author" -H "label:label12" -H "format: json" -H "jsonpaths: [\"$.category\",\"$.price\",\"$.author\"]" -H "strip_outer_array: true" -H "json_root: $.RECORDS" -T testData http://host:port/api/example_db/my_table/_stream_load

12. 使用 DELETE 模式，删除与这批导入 key 相同的数据

    Plain Text 复制

    1curl --location-trusted -u admin -H "merge_type: DELETE" -T testData http://host:port/api/example_db/my_table/_stream_load

13. 使用 MERGE 模式。将一批数据中与 flag 列为 true 的数据相匹配的列删除，其他行正常追加

    Plain Text 复制

    1curl --location-trusted -u admin -H "column_separator:," -H "columns: siteid, citycode, username, pv, flag" -H "merge_type: MERGE" -H "delete: flag=1" -T testData http://host:port/api/example_db/my_table/_stream_load

14. 导入数据到含有 Sequence Col 列的 Unique Key 模型表中

    Plain Text 复制

    1curl --location-trusted -u admin -H "columns: k1,k2,source_sequence,v1,v2" -H "function_column.sequence_col: source_sequence" -T testData http://host:port/api/example_db/my_table/_stream_load

Keywords

1STREAM, LOAD

典型实践

1. 查看导入任务状态

   Stream Load 是一个同步导入过程，语句执行成功即代表数据导入成功。导入的执行结果会通过 HTTP 返回值同步返回。并以 Json 格式展示。示例如下：

   JSON 复制

   1{
   2    "TxnId": 17,
   3    "Label": "707717c0-271a-44c5-be0b-4e71bfeacaa5",
   4    "Status": "Success",
   5    "Message": "OK",
   6    "NumberTotalRows": 5,
   7    "NumberLoadedRows": 5,
   8    "NumberFilteredRows": 0,
   9    "NumberUnselectedRows": 0,
   10    "LoadBytes": 28,
   11    "LoadTimeMs": 27,
   12    "BeginTxnTimeMs": 0,
   13    "StreamLoadPutTimeMs": 2,
   14    "ReadDataTimeMs": 0,
   15    "WriteDataTimeMs": 3,
   16    "CommitAndPublishTimeMs": 18
   17}

   字段释义如下：

   • TxnId：导入事务ID，由系统自动生成，全局唯一。
   • Label：导入Label，如果没有指定，则系统会生成一个 UUID。

   • Status：

     导入结果。有如下取值：

     • Success：表示导入成功，并且数据已经可见。
     • Publish Timeout：该状态也表示导入已经完成，只是数据可能会延迟可见。
     • Label Already Exists：Label 重复，需更换 Label。
     • Fail：导入失败。

   • ExistingJobStatus：

     已存在的 Label 对应的导入作业的状态。

     这个字段只有在当 Status 为 "Label Already Exists" 是才会显示。用户可以通过这个状态，知晓已存在 Label 对应的导入作业的状态。"RUNNING" 表示作业还在执行，"FINISHED" 表示作业成功。

   • Message：导入错误信息。
   • NumberTotalRows：导入总处理的行数。
   • NumberLoadedRows：成功导入的行数。
   • NumberFilteredRows：数据质量不合格的行数。
   • NumberUnselectedRows：被 where 条件过滤的行数。
   • LoadBytes：导入的字节数。
   • LoadTimeMs：导入完成时间。单位毫秒。
   • BeginTxnTimeMs：向 FE 请求开始一个事务所花费的时间，单位毫秒。
   • StreamLoadPutTimeMs：向 FE 请求获取导入数据执行计划所花费的时间，单位毫秒。
   • ReadDataTimeMs：读取数据所花费的时间，单位毫秒。
   • WriteDataTimeMs：执行写入数据操作所花费的时间，单位毫秒。
   • CommitAndPublishTimeMs：向Fe请求提交并且发布事务所花费的时间，单位毫秒。
   • ErrorURL：如果有数据质量问题，通过访问这个 URL 查看具体错误行。

2. 如何正确提交 Stream Load 作业和处理返回结果。

   Stream Load 是同步导入操作，因此用户需同步等待命令的返回结果，并根据返回结果决定下一步处理方式。

   用户首要关注的是返回结果中的 Status 字段。

   如果为 Success，则一切正常，可以进行之后的其他操作。

   如果返回结果出现大量的 Publish Timeout，则可能说明目前集群某些资源（如IO）紧张导致导入的数据无法最终生效。Publish Timeout 状态的导入任务已经成功，无需重试，但此时建议减缓或停止新导入任务的提交，并观察集群负载情况。

   如果返回结果为 Fail，则说明导入失败，需根据具体原因查看问题。解决后，可以使用相同的 Label 重试。

   在某些情况下，用户的 HTTP 连接可能会异常断开导致无法获取最终的返回结果。此时可以使用相同的 Label 重新提交导入任务，重新提交的任务可能有如下结果：

   1. Status 状态为 Success，Fail 或者 Publish Timeout。此时按照正常的流程处理即可。
   2. Status 状态为 Label Already Exists。则此时需继续查看 ExistingJobStatus 字段。如果该字段值为 FINISHED，则表示这个 Label 对应的导入任务已经成功，无需在重试。如果为 RUNNING，则表示这个 Label 对应的导入任务依然在运行，则此时需每间隔一段时间（如10秒），使用相同的 Label 继续重复提交，直到 Status 不为 Label Already Exists，或者 ExistingJobStatus 字段值为 FINISHED 为止。

3. 取消导入任务

   已提交切尚未结束的导入任务可以通过 CANCEL LOAD 命令取消。取消后，已写入的数据也会回滚，不会生效。

4. Label、导入事务、多表原子性

   PALO 中所有导入任务都是原子生效的。并且在同一个导入任务中对多张表的导入也能够保证原子性。同时，PALO 还可以通过 Label 的机制来保证数据导入的不丢不重。具体说明可以参阅 导入事务和原子性 文档。

5. 列映射、衍生列和过滤

   PALO 可以在导入语句中支持非常丰富的列转换和过滤操作。支持绝大多数内置函数和 UDF。关于如何正确的使用这个功能，可参阅 列的映射，转换与过滤 文档。

6. 错误数据过滤

   PALO 的导入任务可以容忍一部分格式错误的数据。容忍率通过 max_filter_ratio 设置。默认为0，即表示当有一条错误数据时，整个导入任务将会失败。如果用户希望忽略部分有问题的数据行，可以将次参数设置为 0~1 之间的数值，PALO 会自动跳过哪些数据格式不正确的行。

   关于容忍率的一些计算方式，可以参阅 列的映射，转换与过滤 文档。

7. 严格模式

   strict_mode 属性用于设置导入任务是否运行在严格模式下。该格式会对列映射、转换和过滤的结果产生影响。关于严格模式的具体说明，可参阅 严格模式 文档。

8. 超时时间

   Stream Load 的默认超时时间为 10 分钟。从任务提交开始算起。如果在超时时间内没有完成，则任务会失败。

9. 数据量和任务数限制

   Stream Load 适合导入几个GB以内的数据，因为数据为单线程传输处理，因此导入过大的数据性能得不到保证。当有大量本地数据需要导入时，可以并行提交多个导入任务。

   PALO 同时会限制集群内同时运行的导入任务数量，通常在 10-20 个不等。之后提交的导入作业会被拒绝。