ClickHouse(22)ClickHouse集成HDFS表引擎详细解析

HDFS

这个引擎提供了与Apache Hadoop生态系统的集成，允许通过ClickHouse管理HDFS上的数据。这个引擎提供了Hadoop的特定功能。

用法

ENGINE = HDFS(URI, format)

URI 参数是HDFS中整个文件的URI
format 参数指定一种可用的文件格式。执行SELECT查询时，格式必须支持输入，以及执行INSERT查询时，格式必须支持输出.路径部分URI可能包glob通配符。在这种情况下，表将是只读的。

clickhouse支持的format，文件格式:

格式	输入	输出
[TabSeparated]	✔	✔
[TabSeparatedRaw]	✔	✔
[TabSeparatedWithNames]	✔	✔
[TabSeparatedWithNamesAndTypes]	✔	✔
[Template]	✔	✔
[TemplateIgnoreSpaces]	✔	✗
[CSV]	✔	✔
[CSVWithNames]	✔	✔
[CustomSeparated]	✔	✔
[Values]	✔	✔
[Vertical]	✗	✔
[JSON]	✗	✔
[JSONAsString]	✔	✗
[JSONStrings]	✗	✔
[JSONCompact]	✗	✔
[JSONCompactStrings]	✗	✔
[JSONEachRow]	✔	✔
[JSONEachRowWithProgress]	✗	✔
[JSONStringsEachRow]	✔	✔
[JSONStringsEachRowWithProgress]	✗	✔
[JSONCompactEachRow]	✔	✔
[JSONCompactEachRowWithNamesAndTypes]	✔	✔
[JSONCompactStringsEachRow]	✔	✔
[JSONCompactStringsEachRowWithNamesAndTypes]	✔	✔
[TSKV]	✔	✔
[Pretty]	✗	✔
[PrettyCompact]	✗	✔
[PrettyCompactMonoBlock]	✗	✔
[PrettyNoEscapes]	✗	✔
[PrettySpace]	✗	✔
[Protobuf]	✔	✔
[ProtobufSingle]	✔	✔
[Avro]	✔	✔
[AvroConfluent]	✔	✗
[Parquet]	✔	✔
[Arrow]	✔	✔
[ArrowStream]	✔	✔
[ORC]	✔	✔
[RowBinary]	✔	✔
[RowBinaryWithNamesAndTypes]	✔	✔
[Native]	✔	✔
[Null]	✗	✔
[XML]	✗	✔
[CapnProto]	✔	✗
[LineAsString]	✔	✗
[Regexp]	✔	✗
[RawBLOB]	✔	✔

示例:

1. 设置 hdfs_engine_table 表:

CREATE TABLE hdfs_engine_table (name String, value UInt32) ENGINE=HDFS('hdfs://hdfs1:9000/other_storage', 'TSV')

2. 填充文件:

INSERT INTO hdfs_engine_table VALUES ('one', 1), ('two', 2), ('three', 3)

3. 查询数据:

SELECT * FROM hdfs_engine_table LIMIT 2

┌─name─┬─value─┐
│ one  │     1 │
│ two  │     2 │
└──────┴───────┘

实施细节

读取和写入可以并行
不支持:
- ALTER 和 SELECT...SAMPLE 操作。
- 索引。
- 复制。

路径中的通配符

多个路径组件可以具有 globs。对于正在处理的文件应该存在并匹配到整个路径模式。文件列表的确定是在 SELECT 的时候进行（而不是在 CREATE 的时候）。

* — 替代任何数量的任何字符，除了 / 以及空字符串。
? — 代替任何单个字符.
{some_string,another_string,yet_another_one} — 替代任何字符串 'some_string', 'another_string', 'yet_another_one'.
{N..M} — 替换 N 到 M 范围内的任何数字，包括两个边界的值.

示例

假设我们在 HDFS 上有几个 TSV 格式的文件，文件的 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’

有几种方法可以创建由所有六个文件组成的表:

CREATE TABLE table_with_range (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_{1..3}', 'TSV')

另一种方式:

CREATE TABLE table_with_question_mark (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/some_file_?', 'TSV')

表由两个目录中的所有文件组成（所有文件都应满足query中描述的格式和模式):

CREATE TABLE table_with_asterisk (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV')

注意：

如果文件列表包含带有前导零的数字范围，请单独使用带有大括号的构造或使用 `?`.

示例

创建具有名为文件的表 file000, file001, … , file999:

CREARE TABLE big_table (name String, value UInt32) ENGINE = HDFS('hdfs://hdfs1:9000/big_dir/file{0..9}{0..9}{0..9}', 'CSV')

配置

与 GraphiteMergeTree 类似，HDFS 引擎支持使用 ClickHouse 配置文件进行扩展配置。有两个配置键可以使用：全局 (hdfs) 和用户级别 (hdfs_*)。首先全局配置生效，然后用户级别配置生效 (如果用户级别配置存在) 。

  <!-- HDFS 引擎类型的全局配置选项 -->
  <hdfs>
    <hadoop_kerberos_keytab>/tmp/keytab/clickhouse.keytab</hadoop_kerberos_keytab>
    <hadoop_kerberos_principal>clickuser@TEST.CLICKHOUSE.TECH</hadoop_kerberos_principal>
    <hadoop_security_authentication>kerberos</hadoop_security_authentication>
  </hdfs>

  <!-- 用户 "root" 的指定配置 -->
  <hdfs_root>
    <hadoop_kerberos_principal>root@TEST.CLICKHOUSE.TECH</hadoop_kerberos_principal>
  </hdfs_root>

可选配置选项及其默认值的列表

libhdfs3 支持的

| 参数 | 默认值 |
| rpc\_client\_connect\_tcpnodelay | true |
| dfs\_client\_read\_shortcircuit | true |
| output\_replace-datanode-on-failure | true |
| input\_notretry-another-node | false |
| input\_localread\_mappedfile | true |
| dfs\_client\_use\_legacy\_blockreader\_local | false |
| rpc\_client\_ping\_interval | 10 * 1000 |
| rpc\_client\_connect\_timeout | 600 * 1000 |
| rpc\_client\_read\_timeout | 3600 * 1000 |
| rpc\_client\_write\_timeout | 3600 * 1000 |
| rpc\_client\_socekt\_linger\_timeout | -1 |
| rpc\_client\_connect\_retry | 10 |
| rpc\_client\_timeout | 3600 * 1000 |
| dfs\_default\_replica | 3 |
| input\_connect\_timeout | 600 * 1000 |
| input\_read\_timeout | 3600 * 1000 |
| input\_write\_timeout | 3600 * 1000 |
| input\_localread\_default\_buffersize | 1 1024 1024 |
| dfs\_prefetchsize | 10 |
| input\_read\_getblockinfo\_retry | 3 |
| input\_localread\_blockinfo\_cachesize | 1000 |
| input\_read\_max\_retry | 60 |
| output\_default\_chunksize | 512 |
| output\_default\_packetsize | 64 * 1024 |
| output\_default\_write\_retry | 10 |
| output\_connect\_timeout | 600 * 1000 |
| output\_read\_timeout | 3600 * 1000 |
| output\_write\_timeout | 3600 * 1000 |
| output\_close\_timeout | 3600 * 1000 |
| output\_packetpool\_size | 1024 |
| output\_heeartbeat\_interval | 10 * 1000 |
| dfs\_client\_failover\_max\_attempts | 15 |
| dfs\_client\_read\_shortcircuit\_streams\_cache\_size | 256 |
| dfs\_client\_socketcache\_expiryMsec | 3000 |
| dfs\_client\_socketcache\_capacity | 16 |
| dfs\_default\_blocksize | 64 1024 1024 |
| dfs\_default\_uri | "hdfs://localhost:9000" |
| hadoop\_security\_authentication | "simple" |
| hadoop\_security\_kerberos\_ticket\_cache\_path | "" |
| dfs\_client\_log\_severity | "INFO" |
| dfs\_domain\_socket\_path | "" |

HDFS 配置参考也许会解释一些参数的含义.

ClickHouse 额外的配置

| 参数 | 默认值 |
|hadoop\_kerberos\_keytab | "" |
|hadoop\_kerberos\_principal | "" |
|hadoop\_kerberos\_kinit\_command | kinit |

限制

hadoop\_security\_kerberos\_ticket\_cache\_path 只能在全局配置, 不能指定用户

Kerberos 支持

如果 hadoop\_security\_authentication 参数的值为 'kerberos' ，ClickHouse 将通过 Kerberos 设施进行认证。
注意，由于 libhdfs3 的限制，只支持老式的方法。数据节点的安全通信无法由SASL保证 ( HADOOP\_SECURE\_DN\_USER 是这种安全方法的一个可靠指标)。

如果指定了hadoop\_kerberos\_keytab, hadoop\_kerberos\_principal或者hadoop\_kerberos\_kinit\_command，将会调用kinit工具.在此情况下，hadoop\_kerberos\_keytab和hadoop\_kerberos\_principal参数是必须配置的.kinit工具和 krb5 配置文件是必要的.