跳至主要内容

hdfs

从 HDFS 中的文件创建一张表。此表函数类似于 urlfile

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}{N..M},其中 NM — 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 remotefile 表函数。

示例

  1. 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’
  1. 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')
  1. 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 file000file001、...、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

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

另请参阅