跳至主要内容

可执行和 ExecutablePool 表引擎

Executable 和 ExecutablePool 表引擎允许您定义一个表，其行从您定义的脚本生成（通过写入 **stdout**）。可执行脚本存储在 users_scripts 目录中，可以从任何来源读取数据。

  • Executable 表：脚本在每次查询时运行
  • ExecutablePool 表：维护一个持久进程池，并从池中获取进程以进行读取

您还可以选择包含一个或多个输入查询，这些查询将其结果流式传输到 **stdin** 以供脚本读取。

创建可执行表​

Executable 表引擎需要两个参数：脚本名称和传入数据的格式。您可以选择传入一个或多个输入查询

Executable(script_name, format, [input_query...])

以下是 Executable 表的相关设置

  • send_chunk_header
    • 描述：在发送数据块进行处理之前，发送每个数据块中的行数。此设置可以帮助您以更有效的方式编写脚本，以预分配一些资源
    • 默认值：false
  • command_termination_timeout
    • 描述：命令终止超时时间（以秒为单位）
    • 默认值：10
  • command_read_timeout
    • 描述：从命令 stdout 读取数据的超时时间（以毫秒为单位）
    • 默认值：10000
  • command_write_timeout
    • 描述：将数据写入命令 stdin 的超时时间（以毫秒为单位）
    • 默认值：10000

让我们看一个例子。以下 Python 脚本名为 my_script.py，并保存到 user_scripts 文件夹中。它读取一个数字 i，并打印 i 个随机字符串，每个字符串前面都带有用制表符分隔的数字

#!/usr/bin/python3

import sys
import string
import random

def main():

    # Read input value
    for number in sys.stdin:
        i = int(number)

        # Generate some random rows
        for id in range(0, i):
            letters = string.ascii_letters
            random_string =  ''.join(random.choices(letters ,k=10))
            print(str(id) + '\t' + random_string + '\n', end='')

        # Flush results to stdout
        sys.stdout.flush()

if __name__ == "__main__":
    main()

以下 my_executable_table 是从 my_script.py 的输出构建的，它将在每次运行来自 my_executable_table 的 SELECT 时生成 10 个随机字符串

CREATE TABLE my_executable_table (
   x UInt32,
   y String
)
ENGINE = Executable('my_script.py', TabSeparated, (SELECT 10))

创建表立即返回，不会调用脚本。查询 my_executable_table 会导致脚本被调用

SELECT * FROM my_executable_table
┌─x─┬─y──────────┐
│ 0 │ BsnKBsNGNH │
│ 1 │ mgHfBCUrWM │
│ 2 │ iDQAVhlygr │
│ 3 │ uNGwDuXyCk │
│ 4 │ GcFdQWvoLB │
│ 5 │ UkciuuOTVO │
│ 6 │ HoKeCdHkbs │
│ 7 │ xRvySxqAcR │
│ 8 │ LKbXPHpyDI │
│ 9 │ zxogHTzEVV │
└───┴────────────┘

将查询结果传递给脚本​

Hacker News 网站的用户会留下评论。Python 包含一个自然语言处理工具包 (nltk)，其中包含一个 SentimentIntensityAnalyzer，用于确定评论是积极、消极还是中立——包括分配一个介于 -1（非常消极的评论）和 1（非常积极的评论）之间的值。让我们创建一个 Executable 表，使用 nltk 计算 Hacker News 评论的情感。

此示例使用 此处 所述的 hackernews 表。hackernews 表包含一个类型为 UInt64 的 id 列和一个名为 comment 的 String 列。让我们从定义 Executable 表开始

CREATE TABLE sentiment (
   id UInt64,
   sentiment Float32
)
ENGINE = Executable(
    'sentiment.py',
    TabSeparated,
    (SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20)
);

关于 sentiment 表的一些评论

  • 文件 sentiment.py 保存到 user_scripts 文件夹（user_scripts_path 设置的默认文件夹）
  • TabSeparated 格式意味着我们的 Python 脚本需要生成包含用制表符分隔的值的原始数据行
  • 该查询从 hackernews 中选择两列。Python 脚本将需要从传入的行中解析出这些列值

以下是 sentiment.py 的定义

#!/usr/local/bin/python3.9

import sys
import nltk
from nltk.sentiment import SentimentIntensityAnalyzer

def main():
    sentiment_analyzer = SentimentIntensityAnalyzer()

    while True:
        try:
            row = sys.stdin.readline()
            if row == '':
                break

            split_line = row.split("\t")

            id = str(split_line[0])
            comment = split_line[1]

            score = sentiment_analyzer.polarity_scores(comment)['compound']
            print(id + '\t' + str(score) + '\n', end='')
            sys.stdout.flush()
        except BaseException as x:
            break

if __name__ == "__main__":
    main()

关于我们的 Python 脚本的一些评论

  • 要使此功能正常工作，您需要运行 nltk.downloader.download('vader_lexicon')。这可以放在脚本中，但这会导致它在每次对 sentiment 表执行查询时都被下载——这效率不高
  • row 的每个值都将是 SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20 结果集中的一个行
  • 传入的行是用制表符分隔的，因此我们使用 Python split 函数解析出 id 和 comment
  • polarity_scores 的结果是一个包含许多值的 JSON 对象。我们决定只获取此 JSON 对象的 compound 值
  • 回想一下，ClickHouse 中的 sentiment 表使用 TabSeparated 格式，并包含两列，因此我们的 print 函数用制表符分隔这两列

每次编写从 sentiment 表中选择行的查询时，SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20 查询都会被执行，结果将被传递给 sentiment.py。让我们试一下

SELECT *
FROM sentiment

响应看起来像

┌───────id─┬─sentiment─┐
│  7398199 │    0.4404 │
│ 21640317 │    0.1779 │
│ 21462000 │         0 │
│ 25168863 │         0 │
│ 25168978 │   -0.1531 │
│ 25169359 │         0 │
│ 25169394 │   -0.9231 │
│ 25169766 │    0.4137 │
│ 25172570 │    0.7469 │
│ 25173687 │    0.6249 │
│ 28291534 │         0 │
│ 28291669 │   -0.4767 │
│ 28291731 │         0 │
│ 28291949 │   -0.4767 │
│ 28292004 │    0.3612 │
│ 28292050 │    -0.296 │
│ 28292322 │         0 │
│ 28295172 │    0.7717 │
│ 28295288 │    0.4404 │
│ 21465723 │   -0.6956 │
└──────────┴───────────┘

创建 ExecutablePool 表​

ExecutablePool 的语法类似于 Executable，但有一些特定于 ExecutablePool 表的相关设置

  • pool_size
    • 描述：进程池大小。如果大小为 0，则没有大小限制
    • 默认值：16
  • max_command_execution_time
    • 描述：最大命令执行时间（以秒为单位）
    • 默认值：10

我们可以轻松地将上面的 sentiment 表转换为使用 ExecutablePool 而不是 Executable

CREATE TABLE sentiment_pooled (
   id UInt64,
   sentiment Float32
)
ENGINE = ExecutablePool(
    'sentiment.py',
    TabSeparated,
    (SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20000)
)
SETTINGS
    pool_size = 4;

当您的客户端查询 sentiment_pooled 表时，ClickHouse 将按需维护 4 个进程。