hdfs 表函数

基于 HDFS 中的文件创建一张表。此表函数类似于 url 和 file 表函数。

语法

hdfs(URI, 格式, 结构)

参数

Argument	Description
URI	HDFS 中文件的相对 URI。文件路径在只读模式下支持以下通配符：*、?、{abc,def} 和 {N..M}，其中 N、M 为数字，'abc', 'def' 为字符串。
format	文件的格式。
structure	表的结构。格式：'column1_name column1_type, column2_name column2_type, ...'。

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

hdfs://hdfs1:9000/test 中的表，并从中选取前两行：

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匹配。文件必须匹配整个路径模式，而不仅仅是后缀或前缀。

• * — 表示任意数量的字符（不包括 /），也可以是空字符串。
• ** — 表示某个文件夹及其子文件夹中的所有文件（递归）。
• ? — 表示任意单个字符。
• {some_string,another_string,yet_another_one} — 替换为字符串 'some_string'、'another_string'、'yet_another_one' 中的任意一个。这些字符串中可以包含 / 符号。
• {N..M} — 表示任何满足 >= N 且 <= M 的数字。

使用 {} 的写法类似于 remote 和 file 表函数。

示例

1. 假设我们在 HDFS 上有若干具有如下 URI 的文件：

• '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'

2. 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')

3. 查询这两个目录中所有文件的行数：

SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV', 'name String, value UInt32')

注意

如果你的文件列表中包含带前导零的数字范围，请对每一位数字分别使用花括号展开，或者使用 ?。

示例

查询名为 file000、file001、...、file999 的文件中的数据：

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 — 文件的路径。类型：LowCardinality(String)。
• _file — 文件名。类型：LowCardinality(String)。
• _size — 文件的大小（字节数）。类型：Nullable(UInt64)。如果大小未知，则该值为 NULL。
• _time — 文件的最后修改时间。类型：Nullable(DateTime)。如果时间未知，则该值为 NULL。

use_hive_partitioning 设置

当将 use_hive_partitioning 设置为 1 时，ClickHouse 会在路径（/name=value/）中检测 Hive 风格的分区方式，并允许在查询中将分区列作为虚拟列使用。这些虚拟列的名称与分区路径中的名称相同，但会以下划线 _ 开头。

示例

使用通过 Hive 风格分区创建的虚拟列

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 - 允许在插入之前截断目标文件。默认关闭。
• hdfs_create_new_file_on_insert - 如果格式带有后缀，允许在每次插入时创建一个新文件。默认关闭。
• hdfs_skip_empty_files - 允许在读取时跳过空文件。默认关闭。

相关内容

• 虚拟列