--- slug: /zh/engines/table-engines/integrations/hdfs sidebar_position: 36 sidebar_label: HDFS --- # HDFS {#table_engines-hdfs} 这个引擎提供了与 [Apache Hadoop](https://en.wikipedia.org/wiki/Apache_Hadoop) 生态系统的集成，允许通过 ClickHouse 管理 [HDFS](https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html) 上的数据。这个引擎类似于 [文件](../../../engines/table-engines/special/file.md#table_engines-file) 和 [URL](../../../engines/table-engines/special/url.md#table_engines-url) 引擎，但提供了 Hadoop 的特定功能。 ## 用法 {#usage} ``` sql ENGINE = HDFS(URI, format) ``` `URI` 参数是 HDFS 中整个文件的 URI。 `format` 参数指定一种可用的文件格式。 执行 `SELECT` 查询时，格式必须支持输入，以及执行 `INSERT` 查询时，格式必须支持输出. 你可以在 [格式](../../../interfaces/formats.md#formats) 章节查看可用的格式。 路径部分 `URI` 可能包含 glob 通配符。 在这种情况下，表将是只读的。 **示例:** **1.** 设置 `hdfs_engine_table` 表: ``` sql CREATE TABLE hdfs_engine_table (name String, value UInt32) ENGINE=HDFS('hdfs://hdfs1:9000/other_storage', 'TSV') ``` **2.** 填充文件: ``` sql INSERT INTO hdfs_engine_table VALUES ('one', 1), ('two', 2), ('three', 3) ``` **3.** 查询数据: ``` sql SELECT * FROM hdfs_engine_table LIMIT 2 ``` ``` text ┌─name─┬─value─┐ │ one │ 1 │ │ two │ 2 │ └──────┴───────┘ ``` ## 实施细节 {#implementation-details} - 读取和写入可以并行 - 不支持: - `ALTER` 和 `SELECT...SAMPLE` 操作。 - 索引。 - 复制。 **路径中的通配符** 多个路径组件可以具有 globs。 对于正在处理的文件应该存在并匹配到整个路径模式。 文件列表的确定是在 `SELECT` 的时候进行（而不是在 `CREATE` 的时候）。 - `*` — 替代任何数量的任何字符，除了 `/` 以及空字符串。 - `?` — 代替任何单个字符. - `{some_string,another_string,yet_another_one}` — 替代任何字符串 `'some_string', 'another_string', 'yet_another_one'`. - `{N..M}` — 替换 N 到 M 范围内的任何数字，包括两个边界的值. 带 `{}` 的结构类似于 [远程](../../../sql-reference/table-functions/remote.md) 表函数。 **示例** 1. 假设我们在 HDFS 上有几个 TSV 格式的文件，文件的 URI 如下: - ‘hdfs://hdfs1:9000/some_dir/some_file_1’ - ‘hdfs://hdfs1:9000/some_dir/some_file_2’ - ‘hdfs://hdfs1:9000/some_dir/some_file_3’ - ‘hdfs://hdfs1:9000/another_dir/some_file_1’ - ‘hdfs://hdfs1:9000/another_dir/some_file_2’ - ‘hdfs://hdfs1:9000/another_dir/some_file_3’ 1. 有几种方法可以创建由所有六个文件组成的表: ``` sql CREATE TABLE table_with_range (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_{1..3}', 'TSV') ``` 另一种方式: ``` sql CREATE TABLE table_with_question_mark (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_?', 'TSV') ``` 表由两个目录中的所有文件组成（所有文件都应满足query中描述的格式和模式): ``` sql CREATE TABLE table_with_asterisk (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV') ``` !!! warning "警告" 如果文件列表包含带有前导零的数字范围，请单独使用带有大括号的构造或使用 `?`. **示例** 创建具有名为文件的表 `file000`, `file001`, … , `file999`: ``` sql CREARE TABLE big_table (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/big_dir/file{0..9}{0..9}{0..9}', 'CSV') ``` ## 配置 {#configuration} 与 GraphiteMergeTree 类似，HDFS 引擎支持使用 ClickHouse 配置文件进行扩展配置。有两个配置键可以使用：全局 (`hdfs`) 和用户级别 (`hdfs_*`)。首先全局配置生效，然后用户级别配置生效 (如果用户级别配置存在) 。 ``` xml /tmp/keytab/clickhouse.keytab clickuser@TEST.CLICKHOUSE.TECH kerberos root@TEST.CLICKHOUSE.TECH ``` ### 可选配置选项及其默认值的列表 #### libhdfs3 支持的 | **参数** | **默认值** | | rpc\_client\_connect\_tcpnodelay | true | | dfs\_client\_read\_shortcircuit | true | | output\_replace-datanode-on-failure | true | | input\_notretry-another-node | false | | input\_localread\_mappedfile | true | | dfs\_client\_use\_legacy\_blockreader\_local | false | | rpc\_client\_ping\_interval | 10 * 1000 | | rpc\_client\_connect\_timeout | 600 * 1000 | | rpc\_client\_read\_timeout | 3600 * 1000 | | rpc\_client\_write\_timeout | 3600 * 1000 | | rpc\_client\_socekt\_linger\_timeout | -1 | | rpc\_client\_connect\_retry | 10 | | rpc\_client\_timeout | 3600 * 1000 | | dfs\_default\_replica | 3 | | input\_connect\_timeout | 600 * 1000 | | input\_read\_timeout | 3600 * 1000 | | input\_write\_timeout | 3600 * 1000 | | input\_localread\_default\_buffersize | 1 * 1024 * 1024 | | dfs\_prefetchsize | 10 | | input\_read\_getblockinfo\_retry | 3 | | input\_localread\_blockinfo\_cachesize | 1000 | | input\_read\_max\_retry | 60 | | output\_default\_chunksize | 512 | | output\_default\_packetsize | 64 * 1024 | | output\_default\_write\_retry | 10 | | output\_connect\_timeout | 600 * 1000 | | output\_read\_timeout | 3600 * 1000 | | output\_write\_timeout | 3600 * 1000 | | output\_close\_timeout | 3600 * 1000 | | output\_packetpool\_size | 1024 | | output\_heeartbeat\_interval | 10 * 1000 | | dfs\_client\_failover\_max\_attempts | 15 | | dfs\_client\_read\_shortcircuit\_streams\_cache\_size | 256 | | dfs\_client\_socketcache\_expiryMsec | 3000 | | dfs\_client\_socketcache\_capacity | 16 | | dfs\_default\_blocksize | 64 * 1024 * 1024 | | dfs\_default\_uri | "hdfs://localhost:9000" | | hadoop\_security\_authentication | "simple" | | hadoop\_security\_kerberos\_ticket\_cache\_path | "" | | dfs\_client\_log\_severity | "INFO" | | dfs\_domain\_socket\_path | "" | [HDFS 配置参考](https://hawq.apache.org/docs/userguide/2.3.0.0-incubating/reference/HDFSConfigurationParameterReference.html) 也许会解释一些参数的含义. #### ClickHouse 额外的配置 {#clickhouse-extras} | **参数** | **默认值** | |hadoop\_kerberos\_keytab | "" | |hadoop\_kerberos\_principal | "" | |hadoop\_kerberos\_kinit\_command | kinit | #### 限制 {#limitations} * hadoop\_security\_kerberos\_ticket\_cache\_path 只能在全局配置, 不能指定用户 ## Kerberos 支持 {#kerberos-support} 如果 hadoop\_security\_authentication 参数的值为 'kerberos' ，ClickHouse 将通过 Kerberos 设施进行认证。 [这里的](#clickhouse-extras) 参数和 hadoop\_security\_kerberos\_ticket\_cache\_path 也许会有帮助. 注意，由于 libhdfs3 的限制，只支持老式的方法。 数据节点的安全通信无法由 SASL 保证 ( HADOOP\_SECURE\_DN\_USER 是这种安全方法的一个可靠指标) 使用 tests/integration/test\_storage\_kerberized\_hdfs/hdfs_configs/bootstrap.sh 脚本作为参考。 如果指定了 hadoop\_kerberos\_keytab, hadoop\_kerberos\_principal 或者 hadoop\_kerberos\_kinit\_command ，将会调用 kinit 工具.在此情况下， hadoop\_kerberos\_keytab 和 hadoop\_kerberos\_principal 参数是必须配置的. kinit 工具和 krb5 配置文件是必要的. ## 虚拟列 {#virtual-columns} - `_path` — 文件路径. - `_file` — 文件名. **另请参阅** - [虚拟列](../index.md#table_engines-virtual_columns)