hdfs
从 HDFS 中的文件创建一张表。此表函数类似于 url 和 file。
hdfs(URI, format, structure)
输入参数
URI
— HDFS 中文件的相对 URI。文件路径支持以下通配符(只读模式):*
,?
,{abc,def}
和{N..M}
,其中N
、M
— 数字,`'abc', 'def'
— 字符串。format
— 文件的 格式。structure
— 表的结构。格式为'column1_name column1_type, column2_name column2_type, ...'
。
返回值
一个具有指定结构的表,用于读写指定文件中的数据。
示例
来自 hdfs://hdfs1:9000/test
的表,以及从中选择的首两行
SELECT *
FROM hdfs('hdfs://hdfs1:9000/test', 'TSV', 'column1 UInt32, column2 UInt32, column3 UInt32')
LIMIT 2
┌─column1─┬─column2─┬─column3─┐
│ 1 │ 2 │ 3 │
│ 3 │ 2 │ 1 │
└─────────┴─────────┴─────────┘
路径中的通配符
路径可以使用通配符。文件必须匹配整个路径模式,而不仅仅是后缀或前缀。
*
— 表示除/
之外的任意多个字符,包括空字符串。**
— 表示文件夹内所有文件(递归)。?
— 表示任意单个字符。{some_string,another_string,yet_another_one}
— 替换任何字符串'some_string', 'another_string', 'yet_another_one'
。这些字符串可以包含/
符号。{N..M}
— 表示任何大于等于N
且小于等于M
的数字。
使用 {}
的构造类似于 remote 和 file 表函数。
示例
- 假设我们在 HDFS 上有几个文件,其 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’
- 查询这些文件中的行数
SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/{some,another}_dir/some_file_{1..3}', 'TSV', 'name String, value UInt32')
- 查询这两个目录中所有文件中的行数
SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV', 'name String, value UInt32')
注意
如果您的文件列表包含带有前导零的数字范围,请对每位数字分别使用带大括号的构造或使用 ?
。
示例
从名为 file000
、file001
、...、file999
的文件查询数据
SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/big_dir/file{0..9}{0..9}{0..9}', 'CSV', 'name String, value UInt32')
虚拟列
_path
— 文件路径。类型:LowCardinalty(String)
。_file
— 文件名称。类型:LowCardinalty(String)
。_size
— 文件大小(以字节为单位)。类型:Nullable(UInt64)
。如果大小未知,则值为NULL
。_time
— 文件最后修改时间。类型:Nullable(DateTime)
。如果时间未知,则值为NULL
。
Hive 风格的分区
当 use_hive_partitioning
设置为 1 时,ClickHouse 将在路径中检测 Hive 风格的分区(/name=value/
)并允许在查询中使用分区列作为虚拟列。这些虚拟列将与分区路径中的名称相同,但以 _
开头。
示例
使用使用 Hive 风格分区创建的虚拟列
SET use_hive_partitioning = 1;
SELECT * from HDFS('hdfs://hdfs1:9000/data/path/date=*/country=*/code=*/*.parquet') where _date > '2020-01-01' and _country = 'Netherlands' and _code = 42;
存储设置
- hdfs_truncate_on_insert - 允许在插入前截断文件。默认情况下禁用。
- hdfs_create_new_file_on_insert - 如果格式有后缀,则允许在每次插入时创建新文件。默认情况下禁用。
- hdfs_skip_empty_files - 允许在读取时跳过空文件。默认情况下禁用。
- ignore_access_denied_multidirectory_globs - 允许忽略针对多目录通配符的权限被拒绝错误。
另请参阅