如何从 S3 存储桶摄取 Parquet 文件

从 S3 存储桶摄取 Parquet 文件

下面介绍使用 S3 表引擎读取 Parquet 文件的一些基础知识。

为 IAM 服务用户创建 access key 和 secret key。普通登录用户通常无法使用，因为它们可能配置了 MFA 策略。
在策略中设置权限，允许该服务用户访问存储桶和文件夹。

下面是一个非常简单的示例，你可以先用它测试是否能够成功访问你的 Parquet 文件，然后再应用到实际数据。如果你需要有关创建用户和存储桶的示例，可以参考前两个部分 (创建用户和创建存储桶) ： https://clickhouse.com/docs/guides/sre/configuring-s3-for-clickhouse-use/ 我使用了这个示例文件：https://github.com/Teradata/kylo/tree/master/samples/sample-data/parquet 并将其上传到了我的测试存储桶你可以像下面这样为存储桶设置策略： (根据需要调整，此策略授予的权限比较宽松，但有助于测试。你可以根据需要进一步收紧权限。)

{
    "Version": "2012-10-17",
    "Id": "Policy123456",
    "Statement": [
        {
            "Sid": "abc123",
            "Effect": "Allow",
            "Principal": {
                "AWS": [
                    "arn:aws:iam::1234567890:user/mars-s3-user"
                ]
            },
            "Action": "s3:*",
            "Resource": [
                "arn:aws:s3:::mars-doc-test",
                "arn:aws:s3:::mars-doc-test/*"
            ]
        }
    ]
}

你可以使用这种语法通过 S3 表引擎运行查询： https://clickhouse.com/docs/sql-reference/table-functions/s3/

clickhouse-cloud :)  select count(*) from s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet','ABC123', 'abc+123', 'Parquet', 'first_name String');

SELECT count(*)
FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123', 'abc+123', 'Parquet', 'first_name String')

Query id: fd4f1193-d604-4ac0-9a46-bdd2d5e14727

┌─count()─┐
│    1000 │
└─────────┘

1 row in set. Elapsed: 1.274 sec. Processed 1.00 thousand rows, 14.64 KB (784.81 rows/s., 11.49 KB/s.)

Parquet 格式的数据类型参考见： https://clickhouse.com/docs/interfaces/formats/#data-format-parquet 要将数据导入原生 ClickHouse 表：先创建表，例如下面这样 (这里只选了 Parquet 文件中的几列) ：

clickhouse-cloud :) CREATE TABLE my_parquet_table (id UInt64, first_name String) ENGINE = MergeTree ORDER BY id;

CREATE TABLE my_parquet_table
(
    `id` UInt64,
    `first_name` String
)
ENGINE = MergeTree
ORDER BY id

Query id: 412e3994-bf8e-444e-ac43-a7c82642b7da

Ok.

0 rows in set. Elapsed: 0.600 sec.

选择 S3 存储桶中的数据，将其插入新表：

clickhouse-cloud :) INSERT INTO my_parquet_table (id, first_name) SELECT id, first_name FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123','abc+123', 'Parquet', 'id UInt64, first_name String') FORMAT Parquet

INSERT INTO my_parquet_table (id, first_name) SELECT
    id,
    first_name
FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123', 'abc+123', 'Parquet', 'id UInt64, first_name String')

Query id: c3cdc871-f338-462d-8797-6751b45a0b58

Ok.

0 rows in set. Elapsed: 1.220 sec. Processed 1.00 thousand rows, 22.64 KB (819.61 rows/s., 18.56 KB/s.)

验证导入结果：

clickhouse-cloud :) SELECT * FROM my_parquet_table LIMIT 10;

SELECT *
FROM my_parquet_table
LIMIT 10

Query id: 1ccf59dd-d804-46a9-aadd-ed5c57b9e1a0

┌─id─┬─first_name─┐
│  1 │ Amanda     │
│  2 │ Albert     │
│  3 │ Evelyn     │
│  4 │ Denise     │
│  5 │ Carlos     │
│  6 │ Kathryn    │
│  7 │ Samuel     │
│  8 │ Harry      │
│  9 │ Jose       │
│ 10 │ Emily      │
└────┴────────────┘

当你准备导入真实数据时，可以使用一些特殊语法 (如通配符和范围) 来指定存储桶中的文件夹、子文件夹和文件。我建议先筛选少量目录和文件来测试导入，比如先选定某一年、几个月或某个日期范围进行测试。除了这里的 path 选项外，新推出的 ** 语法还可以递归匹配所有子目录。 https://clickhouse.com/docs/sql-reference/table-functions/s3/ 例如，假设 path 和存储桶的结构如下： https://your_s3_bucket.s3.amazonaws.com/<your_folder>/<year>/<month>/<day>/<filename>.parquet https://mars-doc-test.s3.amazonaws.com/system_logs/2022/11/01/my-app-logs-0001.parquet 这会获取 2021-2022 年间每个月第 1 天的所有文件。 https://mars-doc-test.s3.amazonaws.com/system_logs/{2021-2022}/**/01/*.parquet

​从 S3 存储桶摄取 Parquet 文件

从 S3 存储桶摄取 Parquet 文件