ClickHouse/docs/zh/engines/table-engines/integrations/hdfs.md
2023-01-09 15:13:36 +01:00

9.7 KiB
Raw Blame History

slug sidebar_position sidebar_label
/zh/engines/table-engines/integrations/hdfs 36 HDFS

HDFS

这个引擎提供了与 Apache Hadoop 生态系统的集成,允许通过 ClickHouse 管理 HDFS 上的数据。这个引擎类似于 文件URL 引擎,但提供了 Hadoop 的特定功能。

用法

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 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:

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

2. 填充文件:

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

3. 查询数据:

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

实施细节

  • 读取和写入可以并行
  • 不支持:
    • ALTERSELECT...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.

{} 的结构类似于 远程 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:
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:

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):

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:

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

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) 。

  <!-- HDFS 引擎类型的全局配置选项 -->
  <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>

  <!-- 用户 "root" 的指定配置 -->
  <hdfs_root>
	<hadoop_kerberos_principal>root@TEST.CLICKHOUSE.TECH</hadoop_kerberos_principal>
  </hdfs_root>

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 也许会解释一些参数的含义.

ClickHouse 额外的配置

| 参数 | 默认值 | |hadoop_kerberos_keytab | "" | |hadoop_kerberos_principal | "" | |hadoop_kerberos_kinit_command | kinit |

限制

  • hadoop_security_kerberos_ticket_cache_path 只能在全局配置, 不能指定用户

Kerberos 支持

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 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

  • _path — 文件路径.
  • _file — 文件名.

另请参阅