在 ClickHouse 中使用 CSV 和 TSV 数据
ClickHouse 支持从 CSV 文件导入数据和导出数据。由于 CSV 文件可能具有不同的格式规范,包括标题行、自定义分隔符和转义符号,ClickHouse 提供了格式和设置来有效地处理每种情况。
从 CSV 文件导入数据
在导入数据之前,让我们创建一个具有相关结构的表
CREATE TABLE sometable
(
`path` String,
`month` Date,
`hits` UInt32
)
ENGINE = MergeTree
ORDER BY tuple(month, path)
要将数据从CSV 文件导入到sometable
表中,我们可以将文件直接通过管道传输到 clickhouse-client
clickhouse-client -q "INSERT INTO sometable FORMAT CSV" < data_small.csv
请注意,我们使用FORMAT CSV让 ClickHouse 知道我们正在摄取 CSV 格式的数据。或者,我们可以使用FROM INFILE子句从本地文件加载数据
INSERT INTO sometable
FROM INFILE 'data_small.csv'
FORMAT CSV
在这里,我们使用FORMAT CSV
子句,以便 ClickHouse 理解文件格式。我们还可以使用url()函数直接从 URL 加载数据,或使用s3()函数从 S3 文件加载数据。
我们可以跳过file()
和INFILE
/OUTFILE
的显式格式设置。在这种情况下,ClickHouse 将根据文件扩展名自动检测格式。
包含标题的 CSV 文件
假设我们的CSV 文件包含标题
head data-small-headers.csv
"path","month","hits"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
要从该文件导入数据,我们可以使用CSVWithNames格式
clickhouse-client -q "INSERT INTO sometable FORMAT CSVWithNames" < data_small_headers.csv
在这种情况下,ClickHouse 在从文件导入数据时会跳过第一行。
从 23.1 版开始,ClickHouse 在使用CSV
类型时会自动检测 CSV 文件中的标题,因此无需使用CSVWithNames
或CSVWithNamesAndTypes
。
具有自定义分隔符的 CSV 文件
如果 CSV 文件使用逗号以外的分隔符,我们可以使用format_csv_delimiter选项设置相关符号
SET format_csv_delimiter = ';'
现在,当我们从 CSV 文件导入时,;
符号将用作分隔符,而不是逗号。
跳过 CSV 文件中的行
有时,我们可能需要在从 CSV 文件导入数据时跳过一定数量的行。这可以通过使用input_format_csv_skip_first_lines选项来完成
SET input_format_csv_skip_first_lines = 10
在这种情况下,我们将跳过 CSV 文件中的前十行
SELECT count(*) FROM file('data-small.csv', CSV)
┌─count()─┐
│ 990 │
└─────────┘
文件有 1k 行,但 ClickHouse 只加载了 990 行,因为我们要求跳过前 10 行。
使用file()
函数时,对于 ClickHouse Cloud,您需要在文件所在的机器上在clickhouse 客户端
中运行命令。另一种选择是使用clickhouse-local
在本地浏览文件。
处理 CSV 文件中的 NULL 值
空值可以根据生成文件的应用程序以不同的方式编码。默认情况下,ClickHouse 在 CSV 中使用\N
作为空值。但我们可以使用format_csv_null_representation选项更改它。
假设我们有以下 CSV 文件
> cat nulls.csv
Donald,90
Joe,Nothing
Nothing,70
如果我们从该文件加载数据,ClickHouse 将把Nothing
视为字符串(这是正确的)
SELECT * FROM file('nulls.csv')
┌─c1──────┬─c2──────┐
│ Donald │ 90 │
│ Joe │ Nothing │
│ Nothing │ 70 │
└─────────┴─────────┘
如果我们希望 ClickHouse 将Nothing
视为NULL
,我们可以使用以下选项定义它
SET format_csv_null_representation = 'Nothing'
现在我们在预期的地方有了NULL
SELECT * FROM file('nulls.csv')
┌─c1─────┬─c2───┐
│ Donald │ 90 │
│ Joe │ ᴺᵁᴸᴸ │
│ ᴺᵁᴸᴸ │ 70 │
└────────┴──────┘
TSV(制表符分隔)文件
制表符分隔数据格式被广泛用作数据交换格式。要将数据从TSV 文件加载到 ClickHouse 中,使用TabSeparated格式
clickhouse-client -q "INSERT INTO sometable FORMAT TabSeparated" < data_small.tsv
还有一个TabSeparatedWithNames格式允许处理包含标题的 TSV 文件。并且,与 CSV 一样,我们可以使用input_format_tsv_skip_first_lines选项跳过前 X 行。
原始 TSV
有时,TSV 文件在保存时不会转义制表符和换行符。我们应该使用TabSeparatedRaw来处理此类文件。
导出到 CSV
我们之前示例中的任何格式也可以用于导出数据。要将数据从表(或查询)导出到 CSV 格式,我们使用相同的FORMAT
子句
SELECT *
FROM sometable
LIMIT 5
FORMAT CSV
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86
要向 CSV 文件添加标题,我们使用CSVWithNames格式
SELECT *
FROM sometable
LIMIT 5
FORMAT CSVWithNames
"path","month","hits"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86
将导出的数据保存到 CSV 文件
要将导出的数据保存到文件,我们可以使用INTO…OUTFILE子句
SELECT *
FROM sometable
INTO OUTFILE 'out.csv'
FORMAT CSVWithNames
36838935 rows in set. Elapsed: 1.304 sec. Processed 36.84 million rows, 1.42 GB (28.24 million rows/s., 1.09 GB/s.)
请注意,ClickHouse 将 3600 万行数据保存到 CSV 文件仅用了约 1秒。
导出具有自定义分隔符的 CSV
如果我们希望使用逗号以外的分隔符,我们可以为此使用format_csv_delimiter设置选项
SET format_csv_delimiter = '|'
现在 ClickHouse 将使用|
作为 CSV 格式的分隔符
SELECT *
FROM sometable
LIMIT 5
FORMAT CSV
"Akiba_Hebrew_Academy"|"2017-08-01"|241
"Aegithina_tiphia"|"2018-02-01"|34
"1971-72_Utah_Stars_season"|"2016-10-01"|1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8"|"2015-12-01"|73
"2016_Greater_Western_Sydney_Giants_season"|"2017-05-01"|86
为 Windows 导出 CSV
如果我们希望 CSV 文件在 Windows 环境中正常工作,我们应该考虑启用output_format_csv_crlf_end_of_line选项。这将使用\r\n
作为换行符,而不是\n
SET output_format_csv_crlf_end_of_line = 1;
CSV 文件的模式推断
在很多情况下,我们可能需要处理未知的 CSV 文件,因此我们必须探索要为列使用哪些类型。Clickhouse 默认情况下会尝试根据其对给定 CSV 文件的分析来猜测数据格式。这称为“模式推断”。可以使用DESCRIBE
语句与file()函数配对来探索检测到的数据类型
DESCRIBE file('data-small.csv', CSV)
┌─name─┬─type─────────────┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ c1 │ Nullable(String) │ │ │ │ │ │
│ c2 │ Nullable(Date) │ │ │ │ │ │
│ c3 │ Nullable(Int64) │ │ │ │ │ │
└──────┴──────────────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘
在这里,ClickHouse 可以有效地猜测 CSV 文件的列类型。如果我们不希望 ClickHouse 猜测,我们可以使用以下选项禁用此功能
SET input_format_csv_use_best_effort_in_schema_inference = 0
在这种情况下,所有列类型都将被视为String
。
使用显式列类型导出和导入 CSV
ClickHouse 还允许在使用CSVWithNamesAndTypes(以及其他*WithNames 格式系列)导出数据时显式设置列类型
SELECT *
FROM sometable
LIMIT 5
FORMAT CSVWithNamesAndTypes
"path","month","hits"
"String","Date","UInt32"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86
此格式将包含两行标题 - 一行包含列名,另一行包含列类型。这将允许 ClickHouse(和其他应用程序)在从此类文件加载数据时识别列类型
DESCRIBE file('data_csv_types.csv', CSVWithNamesAndTypes)
┌─name──┬─type───┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ path │ String │ │ │ │ │ │
│ month │ Date │ │ │ │ │ │
│ hits │ UInt32 │ │ │ │ │ │
└───────┴────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘
现在 ClickHouse 根据(第二行)标题行识别列类型,而不是猜测。
自定义分隔符、分隔符和转义规则
在复杂的情况下,文本数据可以以高度自定义的方式格式化,但仍然具有结构。ClickHouse 针对此类情况提供了一个特殊的 CustomSeparated 格式,允许设置自定义转义规则、分隔符、换行符以及起始/结束符号。
假设我们在文件中拥有以下数据
row('Akiba_Hebrew_Academy';'2017-08-01';241),row('Aegithina_tiphia';'2018-02-01';34),...
我们可以看到,各个行都包裹在 row()
中,行之间用 ,
分隔,各个值用 ;
分隔。在这种情况下,我们可以使用以下设置从该文件读取数据
SET format_custom_row_before_delimiter = 'row(';
SET format_custom_row_after_delimiter = ')';
SET format_custom_field_delimiter = ';';
SET format_custom_row_between_delimiter = ',';
SET format_custom_escaping_rule = 'Quoted';
现在我们可以从我们自定义格式化的 文件 加载数据
SELECT *
FROM file('data_small_custom.txt', CustomSeparated)
LIMIT 3
┌─c1────────────────────────┬─────────c2─┬──c3─┐
│ Akiba_Hebrew_Academy │ 2017-08-01 │ 241 │
│ Aegithina_tiphia │ 2018-02-01 │ 34 │
│ 1971-72_Utah_Stars_season │ 2016-10-01 │ 1 │
└───────────────────────────┴────────────┴─────┘
我们还可以使用 CustomSeparatedWithNames 来正确导出和导入标题。探索 正则表达式和模板 格式来处理更复杂的情况。
处理大型 CSV 文件
CSV 文件可能很大,ClickHouse 可以高效地处理任何大小的文件。大型文件通常会被压缩,ClickHouse 支持这一点,无需在处理前进行解压缩。我们可以在插入过程中使用 COMPRESSION
子句
INSERT INTO sometable
FROM INFILE 'data_csv.csv.gz'
COMPRESSION 'gzip' FORMAT CSV
如果省略了 COMPRESSION
子句,ClickHouse 仍会尝试根据文件扩展名猜测文件压缩方式。同样的方法可以用于将文件直接导出到压缩格式
SELECT *
FROM for_csv
INTO OUTFILE 'data_csv.csv.gz'
COMPRESSION 'gzip' FORMAT CSV
这将创建一个压缩的 data_csv.csv.gz
文件。
其他格式
ClickHouse 支持许多格式,包括文本格式和二进制格式,以涵盖各种场景和平台。在以下文章中探索更多格式和使用方法
还可以查看 clickhouse-local - 一个可移植的、功能齐全的工具,用于处理本地/远程文件,无需 Clickhouse 服务器。