ClickHouse/docs/ru/engines/table-engines/integrations/hdfs.md
2021-08-08 23:19:00 +00:00

12 KiB
Raw Blame History

toc_priority toc_title
6 HDFS

HDFS

Управляет данными в HDFS. Данный движок похож на движки File и URL.

Использование движка

ENGINE = HDFS(URI, format)

В параметр URI нужно передавать полный URI файла в HDFS. Параметр format должен быть таким, который ClickHouse может использовать и в запросах INSERT, и в запросах SELECT. Полный список поддерживаемых форматов смотрите в разделе Форматы. Часть URI с путем файла может содержать шаблоны. В этом случае таблица может использоваться только для чтения.

Пример:

1. Создадим на сервере таблицу hdfs_engine_table:

CREATE TABLE hdfs_engine_table (name String, value UInt32) ENGINE=HDFS('hdfs://hdfs1:9000/other_storage', 'TSV')

2. Заполним файл:

INSERT INTO hdfs_engine_table VALUES ('one', 1), ('two', 2), ('three', 3)

3. Запросим данные:

SELECT * FROM hdfs_engine_table LIMIT 2
┌─name─┬─value─┐
│ one  │     1 │
│ two  │     2 │
└──────┴───────┘

Детали реализации

  • Поддерживается многопоточное чтение и запись.
  • Поддерживается репликация без копирования данных (zero-copy).
  • Не поддерживается:
    • использование операций ALTER и SELECT...SAMPLE;
    • индексы.

Шаблоны в пути

Шаблоны могут содержаться в нескольких компонентах пути. Обрабатываются только существующие файлы, название которых целиком удовлетворяет шаблону (не только суффиксом или префиксом).

  • * — Заменяет любое количество любых символов кроме /, включая отсутствие символов.
  • ? — Заменяет ровно один любой символ.
  • {some_string,another_string,yet_another_one} — Заменяет любую из строк 'some_string', 'another_string', 'yet_another_one'.
  • {N..M} — Заменяет любое число в интервале от N до M включительно (может содержать ведущие нули).

Конструкция с {} аналогична табличной функции remote.

Пример

  1. Предположим, у нас есть несколько файлов со следующими URI в HDFS:
  • '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. Есть несколько возможностей создать таблицу, состояющую из этих шести файлов:
CREATE TABLE table_with_range (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_{1..3}', 'TSV')

Другой способ:

CREATE TABLE table_with_question_mark (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_?', 'TSV')

Таблица, состоящая из всех файлов в обеих директориях (все файлы должны удовлетворять формату и схеме, указанной в запросе):

CREATE TABLE table_with_asterisk (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV')

!!! warning "Warning" Если список файлов содержит числовые интервалы с ведущими нулями, используйте конструкцию с фигурными скобочками для каждой цифры или используйте ?.

Example

Создадим таблицу с именами file000, file001, … , file999:

CREATE TABLE big_table (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/big_dir/file{0..9}{0..9}{0..9}', 'CSV')

Конфигурация

Похоже на GraphiteMergeTree, движок HDFS поддерживает расширенную конфигурацию с использованием файла конфигурации ClickHouse. Есть два раздела конфигурации которые вы можете использовать: глобальный (hdfs) и на уровне пользователя (hdfs_*). Глобальные настройки применяются первыми, и затем применяется конфигурация уровня пользователя (если она указана).

  <!-- Глобальные настройки для движка HDFS -->
  <hdfs>
	<hadoop_kerberos_keytab>/tmp/keytab/clickhouse.keytab</hadoop_kerberos_keytab>
	<hadoop_kerberos_principal>clickuser@TEST.CLICKHOUSE.TECH</hadoop_kerberos_principal>
	<hadoop_security_authentication>kerberos</hadoop_security_authentication>
  </hdfs>

  <!-- Конфигурация специфичная для пользователя "root" -->
  <hdfs_root>
	<hadoop_kerberos_principal>root@TEST.CLICKHOUSE.TECH</hadoop_kerberos_principal>
  </hdfs_root>

Параметры конфигурации

Поддерживаемые из libhdfs3

| параметр | по умолчанию | | 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 | "" |

Руководство по конфигурации HDFS поможет обьяснить назначения некоторых параметров.

Расширенные параметры для ClickHouse

| параметр | по умолчанию | |hadoop_kerberos_keytab | "" | |hadoop_kerberos_principal | "" | |hadoop_kerberos_kinit_command | kinit |

Ограничения

  • hadoop_security_kerberos_ticket_cache_path могут быть определены только на глобальном уровне

Поддержка Kerberos

Если hadoop_security_authentication параметр имеет значение 'kerberos', ClickHouse аутентифицируется с помощью Kerberos. Расширенные параметры и hadoop_security_kerberos_ticket_cache_path помогают сделать это. Обратите внимание что из-за ограничений libhdfs3 поддерживается только устаревший метод аутентификации, коммуникация с узлами данных не защищена SASL (HADOOP_SECURE_DN_USER надежный показатель такого подхода к безопасности). Используйте tests/integration/test_storage_kerberized_hdfs/hdfs_configs/bootstrap.sh для примера настроек.

Если hadoop_kerberos_keytab, hadoop_kerberos_principal или hadoop_kerberos_kinit_command указаны в настройках, kinit будет вызван. hadoop_kerberos_keytab и hadoop_kerberos_principal обязательны в этом случае. Необходимо также будет установить kinit и файлы конфигурации krb5.

Виртуальные столбцы

  • _path — Путь к файлу.
  • _file — Имя файла.

См. также