4.Doris数据导入导出

导入

Doris支持多种数据源导入如S3 HDFS Kafka 本地文件 Binlog 等
官方文档

导入的原子性保证

Doris 的每一个导入作业，不论是使用 Broker Load 进行批量导入，还是使用 INSERT 语句进行单条导入，都是一个完整的事务操作。导入事务可以保证一批次内的数据原子生效，不会出现部分数据写入的情况。

导入方式

导入方式分为同步与异步，同步方式直接返回导入成功或者失败；异步方式返回作业提交成功，不代表导入成功，需要通过对应命令查询作业运行状态

导入本地数据

Doris2.0支持Stream Load 与MySQL Load两种本地导入模式

Stream Load 通过HTTP协议与Doris交互

支持CSV 与 JSON格式 1.2+ 支持PARQUET 与 ORC 默认CSV
BE 的 HTTP 协议端口，默认为 8040。
FE 的 HTTP 协议端口，默认为 8030。但须保证客户端所在机器网络能够联通 BE 所在机器

PUT /api/{db}/{table}/_stream_load

-- 创建表
CREATE TABLE IF NOT EXISTS load_local_file_test
(id INT,age TINYINT,name VARCHAR(50)
)
unique key(id)
DISTRIBUTED BY HASH(id) BUCKETS 3;

 # 使用CURL进行数据导入curl -u user:passwd -H "label:load_local_file_test" -T /path/to/local/demo.txt http://host:port/api/demo/load_local_file_test/_stream_load

user:passwd 为在 Doris 中创建的用户。初始用户为 admin / root，密码初始状态下为空
host:port 为 BE 的 HTTP 协议端口，默认是 8040，可以在 Doris 集群 WEB UI页面查看
label: 可以在 Header 中指定 Label 唯一标识这个导入任务

{"TxnId": 1003,"Label": "load_local_file_test","Status": "Success","Message": "OK","NumberTotalRows": 1000000,"NumberLoadedRows": 1000000,"NumberFilteredRows": 1,"NumberUnselectedRows": 0,"LoadBytes": 40888898,"LoadTimeMs": 2144,"BeginTxnTimeMs": 1,"StreamLoadPutTimeMs": 2,"ReadDataTimeMs": 325,"WriteDataTimeMs": 1933,"CommitAndPublishTimeMs": 106,"ErrorURL": "http://192.168.1.1:8042/api/_load_error_log?file=__shard_0/error_log_insert_stmt_db18266d4d9b4ee5-abb00ddd64bdf005_db18266d4d9b4ee5_abb00ddd64bdf005"
}

导入结果 Status 状态为Success为成功导入
Stream Load 只能导入本地文件
建议一个导入请求的数据量控制在 1 - 2 GB 以内。如果有大量本地文件，可以分批并发提交

外部存储导入

外部存储导入支持常用的HDFS与符合S3协议的存储介质

以HDFS为例借助Broker进行导入，建议所有BE都部署上Broker

  -- 基本语法LOAD LABEL db_name.label_name (data_desc, ...)WITH HDFS[PROPERTIES (key1=value1, ... )]

上传文件到HDFS

创建Doris表

CREATE TABLE IF NOT EXISTS load_hdfs_file_test
(id INT,age TINYINT,name VARCHAR(50)
)
unique key(id)
DISTRIBUTED BY HASH(id) BUCKETS 3;

从HDFS中导入数据

LOAD LABEL demo.label_20220402(DATA INFILE("hdfs://host:port/tmp/test_hdfs.txt")INTO TABLE `load_hdfs_file_test`COLUMNS TERMINATED BY "\t"            (id,age,name))with HDFS ("fs.defaultFS"="hdfs://testFs","hdfs_user"="user")PROPERTIES("timeout"="1200","max_filter_ratio"="0.1");

查看导入状态 SHOW LOAD命令

mysql> show load order by createtime desc limit 1\G;
*************************** 1. row ***************************JobId: 41326624Label: broker_load_2022_04_15State: FINISHEDProgress: ETL:100%; LOAD:100%Type: BROKEREtlInfo: unselected.rows=0; dpp.abnorm.ALL=0; dpp.norm.ALL=27TaskInfo: cluster:N/A; timeout(s):1200; max_filter_ratio:0.1ErrorMsg: NULLCreateTime: 2022-04-01 18:59:06EtlStartTime: 2022-04-01 18:59:11EtlFinishTime: 2022-04-01 18:59:11LoadStartTime: 2022-04-01 18:59:11
LoadFinishTime: 2022-04-01 18:59:11URL: NULLJobDetails: {"Unfinished backends":{"5072bde59b74b65-8d2c0ee5b029adc0":[]},"ScannedRows":27,"TaskNumber":1,"All backends":{"5072bde59b74b65-8d2c0ee5b029adc0":[36728051]},"FileNumber":1,"FileSize":5540}
1 row in set (0.01 sec)

订阅kafka日志

订阅kafka日志借助了Doris Routine Load方式

用户首先需要创建一个例行导入作业。作业会通过例行调度，不断地发送一系列的任务，每个任务会消费一定数量 Kafka 中的消息

支持无认证的 Kafka 访问，以及通过 SSL 方式认证的 Kafka 集群。
支持的消息格式如下：
csv 文本格式。每一个 message 为一行，且行尾不包含换行符。
Json 格式，详见导入 Json 格式数据。

仅支持 Kafka 0.10.0.0(含) 以上版本。

-- 语法
CREATE ROUTINE LOAD [db.]job_name [ON tbl_name]
[merge_type]
[load_properties]
[job_properties]
FROM data_source [data_source_properties]
[COMMENT "comment"]

-- 示例
CREATE ROUTINE LOAD demo.my_first_routine_load_job ON test_1
COLUMNS TERMINATED BY ","
PROPERTIES
("max_batch_interval" = "20","max_batch_rows" = "300000","max_batch_size" = "209715200",
)
FROM KAFKA
("kafka_broker_list" = "broker1:9092,broker2:9092,broker3:9092","kafka_topic" = "my_topic","property.group.id" = "xxx","property.client.id" = "xxx","property.kafka_default_offsets" = "OFFSET_BEGINNING"
);

-- 查看作业运行状态 SHOW ROUTINE LOAD
SHOW [ALL] ROUTINE LOAD [FOR jobName];Id: 作业IDName: 作业名称CreateTime: 作业创建时间PauseTime: 最近一次作业暂停时间EndTime: 作业结束时间DbName: 对应数据库名称TableName: 对应表名称 （多表的情况下由于是动态表，因此不显示具体表名，我们统一显示 multi-table ）IsMultiTbl: 是否为多表State: 作业运行状态DataSourceType: 数据源类型：KAFKACurrentTaskNum: 当前子任务数量JobProperties: 作业配置详情
DataSourceProperties: 数据源配置详情CustomProperties: 自定义配置Statistic: 作业运行状态统计信息Progress: 作业运行进度Lag: 作业延迟状态
ReasonOfStateChanged: 作业状态变更的原因ErrorLogUrls: 被过滤的质量不合格的数据的查看地址OtherMsg: 其他错误信息

查看导入作业状态

查看作业状态的具体命令和示例请参阅 SHOW ROUTINE LOAD 命令文档。

查看某个作业的任务运行状态的具体命令和示例请参阅 SHOW ROUTINE LOAD TASK 命令文档。

只能查看当前正在运行中的任务，已结束和未开始的任务无法查看。

修改作业属性

用户可以修改已经创建的作业的部分属性。具体说明请参阅 ALTER ROUTINE LOAD 命令手册。

作业控制

用户可以通过 STOP/PAUSE/RESUME 三个命令来控制作业的停止，暂停和重启。

具体命令请参阅 STOP ROUTINE LOAD，PAUSE ROUTINE LOAD，RESUME ROUTINE LOAD 命令文档。

通过外部表同步数据

Doris支持创建外部表，创建完成之后可以通过SELECT语句直接查询外部表的数据，也可以通过INSERT INTO SELECT 的方式导入外部表的数据

Doris 外部表目前支持的数据源包括：

MySQL
Oracle
PostgreSQL
SQLServer
Hive
Iceberg
ElasticSearch

创建一个ODBC的外部表创建 ODBC 外部表的详细介绍请参阅 CREATE EXTERNAL TABLE 语法帮助手册

CREATE EXTERNAL RESOURCE `oracle_test_odbc`
PROPERTIES ("type" = "odbc_catalog","host" = "192.168.0.10","port" = "8086","user" = "oracle","password" = "oracle","database" = "oracle","odbc_type" = "oracle","driver" = "Oracle"
);

创建外部表

CREATE EXTERNAL TABLE `ext_oracle_demo` (`k1` decimal(9, 3) NOT NULL COMMENT "",`k2` char(10) NOT NULL COMMENT "",`k3` datetime NOT NULL COMMENT "",`k5` varchar(20) NOT NULL COMMENT "",`k6` double NOT NULL COMMENT ""
) ENGINE=ODBC
COMMENT "ODBC"
PROPERTIES ("odbc_catalog_resource" = "oracle_test_odbc","database" = "oracle","table" = "baseall"
);

创建Doris表

CREATE TABLE `doris_oralce_tbl` (`k1` decimal(9, 3) NOT NULL COMMENT "",`k2` char(10) NOT NULL COMMENT "",`k3` datetime NOT NULL COMMENT "",`k5` varchar(20) NOT NULL COMMENT "",`k6` double NOT NULL COMMENT ""
)
COMMENT "Doris Table"
DISTRIBUTED BY HASH(k1) BUCKETS 2
PROPERTIES ("replication_num" = "1"
);

导入数据此时 INSERT INTO SELECT是一个同步命令
```
INSERT INTO doris_oralce_tbl SELECT k1,k2,k3 FROM ext_oracle_demo limit 100;
```
- 必须保证外部数据源与 Doris 集群是可以互通，包括BE节点和外部数据源的网络是互通的。
- ODBC 外部表本质上是通过单一 ODBC 客户端访问数据源，因此并不合适一次性导入大量的数据，建议分批多次导入。

数据导出

异步导出（Export）是 Doris 提供的一种将数据异步导出的功能。该功能可以将用户指定的表或分区的数据，以指定的文件格式，通过 Broker 进程或 S3协议/HDFS协议导出到远端存储上，如对象存储 / HDFS

EXPORT支持导出 Doris本地表 / View视图 / 外表，支持导出到 parquet / orc / csv / csv_with_names / csv_with_names_and_types 文件格式

执行步骤

用户提交一个 Export 作业到 FE。
FE会统计要导出的所有Tablets，然后根据parallelism参数将所有Tablets分组，每一组再根据maximum_number_of_export_partitions参数生成若干个SELECT INTO OUTFILE查询计划
根据parallelism参数，生成相同个数的ExportTaskExecutor，每一个ExportTaskExecutor由一个线程负责，线程由FE的Job 调度框架去调度执行。
FE的Job调度器会去调度ExportTaskExecutor并执行，每一个ExportTaskExecutor会串行地去执行由它负责的若干个SELECT INTO OUTFILE查询计划

语法

EXPORT TABLE db1.tbl1 
PARTITION (p1,p2)
[WHERE [expr]]
TO "hdfs://host/path/to/export/" 
PROPERTIES
("label" = "mylabel","column_separator"=",","columns" = "col1,col2","parallelusm" = "3"
)
WITH BROKER "hdfs"
("username" = "user","password" = "passwd"
);

label：本次导出作业的标识。后续可以使用这个标识查看作业状态。
column_separator：列分隔符。默认为 \t。支持不可见字符，比如 ‘\x07’。
columns：要导出的列，使用英文状态逗号隔开，如果不填这个参数默认是导出表的所有列。
line_delimiter：行分隔符。默认为 \n。支持不可见字符，比如 ‘\x07’。
parallelusm：并发3个线程去导出

查看导出状态

mysql> show EXPORT\G;
*************************** 1. row ***************************JobId: 14008State: FINISHEDProgress: 100%TaskInfo: {"partitions":[],"max_file_size":"","delete_existing_files":"","columns":"","format":"csv","column_separator":"\t","line_delimiter":"\n","db":"default_cluster:demo","tbl":"student4","tablet_num":30}Path: hdfs://host/path/to/export/
CreateTime: 2019-06-25 17:08:24StartTime: 2019-06-25 17:08:28
FinishTime: 2019-06-25 17:08:34Timeout: 3600ErrorMsg: NULLOutfileInfo: [[{"fileNumber": "1","totalRows": "4","fileSize": "34bytes","url": "file:///127.0.0.1/Users/fangtiewei/tmp_data/export/f1ab7dcc31744152-bbb4cda2f5c88eac_"}]
]
1 row in set (0.01 sec)

JobId：作业的唯一 ID

State：作业状态：

PENDING：作业待调度
EXPORTING：数据导出中
FINISHED：作业成功
CANCELLED：作业失败

Progress：作业进度。该进度以查询计划为单位。假设一共 10 个线程，当前已完成 3 个，则进度为 30%。

TaskInfo：以 Json 格式展示的作业信息：

db：数据库名
tbl：表名
partitions：指定导出的分区。空列表表示所有分区。
column_separator：导出文件的列分隔符。
line_delimiter：导出文件的行分隔符。
tablet num：涉及的总 Tablet 数量。
broker：使用的 broker 的名称。
coord num：查询计划的个数。
max_file_size：一个导出文件的最大大小。
delete_existing_files：是否删除导出目录下已存在的文件及目录。
columns：指定需要导出的列名，空值代表导出所有列。
format：导出的文件格式

Path：远端存储上的导出路径。

CreateTime/StartTime/FinishTime：作业的创建时间、开始调度时间和结束时间。

Timeout：作业超时时间。单位是秒。该时间从 CreateTime 开始计算。

ErrorMsg：如果作业出现错误，这里会显示错误原因。

OutfileInfo：如果作业导出成功，这里会显示具体的SELECT INTO OUTFILE结果信息