gcs 表函数

提供了一个类似表的接口，用于从Google Cloud Storage中SELECT和INSERT数据。需要Storage Object User IAM 角色。

这是s3 表函数的别名。

如果您的集群中有多个副本，则可以使用s3Cluster 函数（它适用于 GCS）来并行化插入操作。

语法

gcs(url [, NOSIGN | hmac_key, hmac_secret] [,format] [,structure] [,compression_method])
gcs(named_collection[, option=value [,..]])

GCS

GCS 表函数通过使用 GCS XML API 和 HMAC 密钥与 Google Cloud Storage 集成。有关端点和 HMAC 的更多详细信息，请参阅Google 互操作性文档。

参数

• url — 文件的存储桶路径。在只读模式下支持以下通配符：*、**、?、{abc,def} 和 {N..M}，其中 N、M — 数字，'abc'、'def' — 字符串。
  GCS

  由于 Google XML API 的端点与 JSON API 不同，因此 GCS 路径采用这种格式

  https://storage.googleapis.com/<bucket>/<folder>/<filename(s)>

  而不是https://storage.cloud.google.com。

• NOSIGN — 如果此关键字代替凭据提供，则所有请求都不会签名。
• hmac_key 和 hmac_secret — 指定要与给定端点一起使用的凭据的密钥。可选。
• format — 文件的格式。
• structure — 表的结构。格式 'column1_name column1_type, column2_name column2_type, ...'。
• compression_method — 参数可选。支持的值：none、gzip/gz、brotli/br、xz/LZMA、zstd/zst。默认情况下，它将根据文件扩展名自动检测压缩方法。

也可以使用命名集合传递参数。在这种情况下，url、format、structure、compression_method 的工作方式相同，并且支持一些额外的参数

• access_key_id — hmac_key，可选。
• secret_access_key — hmac_secret，可选。
• filename — 如果指定，则附加到 url。
• use_environment_credentials — 默认启用，允许使用环境变量 AWS_CONTAINER_CREDENTIALS_RELATIVE_URI、AWS_CONTAINER_CREDENTIALS_FULL_URI、AWS_CONTAINER_AUTHORIZATION_TOKEN、AWS_EC2_METADATA_DISABLED 传递额外参数。
• no_sign_request — 默认禁用。
• expiration_window_seconds — 默认值为 120。

返回值

一个具有指定结构的表，用于在指定文件中读取或写入数据。

示例

从 GCS 文件 https://storage.googleapis.com/my-test-bucket-768/data.csv 中的表中选择前两行

SELECT *
FROM gcs('https://storage.googleapis.com/my-test-bucket-768/data.csv', 'CSV', 'column1 UInt32, column2 UInt32, column3 UInt32')
LIMIT 2;

┌─column1─┬─column2─┬─column3─┐
│       1 │       2 │       3 │
│       3 │       2 │       1 │
└─────────┴─────────┴─────────┘

类似的，但来自使用 gzip 压缩方法的文件

SELECT *
FROM gcs('https://storage.googleapis.com/my-test-bucket-768/data.csv.gz', 'CSV', 'column1 UInt32, column2 UInt32, column3 UInt32', 'gzip')
LIMIT 2;

┌─column1─┬─column2─┬─column3─┐
│       1 │       2 │       3 │
│       3 │       2 │       1 │
└─────────┴─────────┴─────────┘

用法

假设我们在 GCS 上有几个具有以下 URI 的文件

• 'https://storage.googleapis.com/my-test-bucket-768/some_prefix/some_file_1.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/some_prefix/some_file_2.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/some_prefix/some_file_3.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/some_prefix/some_file_4.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/another_prefix/some_file_1.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/another_prefix/some_file_2.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/another_prefix/some_file_3.csv'
• 'https://storage.googleapis.com/my-test-bucket-768/another_prefix/some_file_4.csv'

计算以数字 1 到 3 结尾的文件中的行数

SELECT count(*)
FROM gcs('https://storage.googleapis.com/my-test-bucket-768/{some,another}_prefix/some_file_{1..3}.csv', 'CSV', 'name String, value UInt32')

┌─count()─┐
│      18 │
└─────────┘

计算这两个目录中所有文件的总行数

SELECT count(*)
FROM gcs('https://storage.googleapis.com/my-test-bucket-768/{some,another}_prefix/*', 'CSV', 'name String, value UInt32')

┌─count()─┐
│      24 │
└─────────┘

危险

如果您的文件列表包含带有前导零的数字范围，请为每个数字单独使用带括号的结构或使用 ?。

计算名为 file-000.csv、file-001.csv、...、file-999.csv 的文件的总行数

SELECT count(*)
FROM gcs('https://storage.googleapis.com/my-test-bucket-768/big_prefix/file-{000..999}.csv', 'CSV', 'name String, value UInt32');

┌─count()─┐
│      12 │
└─────────┘

将数据插入文件 test-data.csv.gz 中

INSERT INTO FUNCTION gcs('https://storage.googleapis.com/my-test-bucket-768/test-data.csv.gz', 'CSV', 'name String, value UInt32', 'gzip')
VALUES ('test-data', 1), ('test-data-2', 2);

从现有表中将数据插入文件 test-data.csv.gz 中

INSERT INTO FUNCTION gcs('https://storage.googleapis.com/my-test-bucket-768/test-data.csv.gz', 'CSV', 'name String, value UInt32', 'gzip')
SELECT name, value FROM existing_table;

Glob ** 可用于递归目录遍历。考虑以下示例，它将递归地获取 my-test-bucket-768 目录中的所有文件

SELECT * FROM gcs('https://storage.googleapis.com/my-test-bucket-768/**', 'CSV', 'name String, value UInt32', 'gzip');

以下从 my-test-bucket 目录内任何文件夹中的所有 test-data.csv.gz 文件获取数据，递归进行

SELECT * FROM gcs('https://storage.googleapis.com/my-test-bucket-768/**/test-data.csv.gz', 'CSV', 'name String, value UInt32', 'gzip');

对于生产用例，建议使用命名集合。这是一个示例

CREATE NAMED COLLECTION creds AS
        access_key_id = '***',
        secret_access_key = '***';
SELECT count(*)
FROM gcs(creds, url='https://s3-object-url.csv')

分区写入

如果在将数据插入 GCS 表时指定了 PARTITION BY 表达式，则会为每个分区值创建一个单独的文件。将数据拆分为单独的文件有助于提高读取操作的效率。

示例

1. 在密钥中使用分区 ID 会创建单独的文件

INSERT INTO TABLE FUNCTION
    gcs('http://bucket.amazonaws.com/my_bucket/file_{_partition_id}.csv', 'CSV', 'a String, b UInt32, c UInt32')
    PARTITION BY a VALUES ('x', 2, 3), ('x', 4, 5), ('y', 11, 12), ('y', 13, 14), ('z', 21, 22), ('z', 23, 24);

结果，数据将写入三个文件：file_x.csv、file_y.csv 和 file_z.csv。

2. 在存储桶名称中使用分区 ID 会在不同的存储桶中创建文件

INSERT INTO TABLE FUNCTION
    gcs('http://bucket.amazonaws.com/my_bucket_{_partition_id}/file.csv', 'CSV', 'a UInt32, b UInt32, c UInt32')
    PARTITION BY a VALUES (1, 2, 3), (1, 4, 5), (10, 11, 12), (10, 13, 14), (20, 21, 22), (20, 23, 24);

结果，数据将写入不同存储桶中的三个文件：my_bucket_1/file.csv、my_bucket_10/file.csv 和 my_bucket_20/file.csv。

另请参阅

• S3 表函数
• S3 引擎