當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

MPP 二、Greenplum数据加载

發(fā)布時間：2024/6/21 编程问答 67 豆豆

生活随笔收集整理的這篇文章主要介紹了 MPP 二、Greenplum数据加载小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

Loading external data into greenplum database table using different ways...

Greenplum 有常規(guī)的COPY加載方法，有基于分布式的并行的gpfdist加載方法；COPY方式適合用于加載小數(shù)據(jù)；gpfdist適合大數(shù)據(jù)量加載；下文中將討論這兩種數(shù)據(jù)加載方式。

gp_sydb=# select current_database(),current_user,current_schema(),session_user,current_timestamp,version();current_database | gp_sydb current_user | gpadmin current_schema | faa session_user | gpadmin now | 2017-06-04 15:33:01.000678+08 version | PostgreSQL 8.3.23 (Greenplum Database 5.0.0-alpha.5 build commit:2e87c5aa435c779b2f3837fa8c7273876497f6ba) on x86_64-pc-linux-gnu, compiled by GCC gcc (GCC) 6.2.0 compiled on May 19 2017 18:14:12

1 COPY方式加載數(shù)據(jù)

使用COPY方式加載外部文件，可以指定文件類型、文件格式、日志信息，greenplum便會自動解析，將數(shù)據(jù)加載到目標表，這種方式比單純的insert語句效率高，但它不是并行的，適合于加載少量數(shù)據(jù)。比如有如下包含兩列的csv數(shù)據(jù)(csv數(shù)據(jù)和表結(jié)構(gòu)可以在gpdb-sandbox-tutorials上獲取到)；

[gpadmin@gp-master faa]$ more L_AIRLINE_ID.csv Code,Description "19031","Mackey International Inc.: MAC" "19032","Munz Northern Airlines Inc.: XY" "19033","Cochise Airlines Inc.: COC" "19034","Golden Gate Airlines Inc.: GSA" "19035","Aeromech Inc.: RZZ" "19036","Golden West Airlines Co.: GLW" "19037","Puerto Rico Intl Airlines: PRN" "19038","Air America Inc.: STZ" "19039","Swift Aire Lines Inc.: SWT" "19040","American Central Airlines: TSF" "19041","Valdez Airlines: VEZ" "19042","Southeast Alaska Airlines: WEB" "19043","Altair Airlines Inc.: AAR" "19044","Chitina Air Service: CHI" "19045","Marco Island Airways Inc.: MRC" "19046","Caribbean Air Services Inc.: OHZ" "19047","Sundance Airlines: PRO" "19048","Seair Alaska Airlines Inc.: SAI"

在數(shù)據(jù)庫中創(chuàng)建相同結(jié)構(gòu)的分布表；

將外部文件的數(shù)據(jù)加載到分布表中；

\COPY faa.d_airlines FROM 'L_AIRLINE_ID.csv' CSV HEADER LOG ERRORS SEGMENT REJECT LIMIT 500 ROWS;

LOG ERRORS 表示將有問題無法正常導(dǎo)出的數(shù)據(jù)記錄到系統(tǒng)表中，數(shù)據(jù)加載完成后可以通過如下的語句查詢到有問題無法正常導(dǎo)入的數(shù)據(jù)。

gp_sydb=# SELECT gp_read_error_log('D_AIRLINES');gp_read_error_log ------------------------------------------------------------------------------------------------------------("2017-06-04 12:07:13.151372+08",d_airlines,<stdin>,1517,,"unterminated CSV quoted field","""21395,""VirginBlue International Airlines t/a V Australia: VA""\r

這種方式導(dǎo)入數(shù)據(jù)和在oracle中通過sqlload，在mysql中通過load導(dǎo)入數(shù)據(jù)很相似，對于錯誤的監(jiān)控greenplum也做得比較完善。對于csv文件，greenplum要求首行指定數(shù)據(jù)列名；其它的格式的文件，我們可能要指定分割符，結(jié)束符，這些都是統(tǒng)一的，比如|分隔換行符結(jié)束的text文件的導(dǎo)入；

\COPY country FROM '/data/gpdb/data01.txt' WITH DELIMITER '|' LOG ERRORSSEGMENT REJECT LIMIT 10 ROWS;

2 GPFDIST方式加載數(shù)據(jù)

gpfdist程序運行在數(shù)據(jù)存放的節(jié)點上，它將數(shù)據(jù)均勻分布到每個節(jié)點上，它是并行工作的，文件可以是按照特定格式存儲后壓縮的gzip文件，也可以是未壓縮的原文件；這種方式適用于大數(shù)據(jù)加載。假設(shè)要加載如下的已經(jīng)壓縮的csv數(shù)據(jù)；

[gpadmin@gp-master faa]$ ls -ltr --block-size m otp*.gz -rwxrwxrwx 1 root root 31M Aug 6 2012 otp200912.gz -rwxrwxrwx 1 root root 30M Aug 6 2012 otp201001.gz

要將這些數(shù)據(jù)加載到faa.faa_otp_load表，我們需要先創(chuàng)建gpfdist進程；

[gpadmin@gp-master faa]$ gpfdist -d /mnt/vbox/greenplum-master/test_data/faa -p 8081 > /tmp/gpfdist.log 2>&1 & [1] 19533

gpfdist類似文件服務(wù)器，需要指定端口，文件目錄信息；gpfdist創(chuàng)建以后需要創(chuàng)建一張external table；

CREATE EXTERNAL TABLE faa.ext_load_otp (LIKE faa.faa_otp_load) LOCATION ('gpfdist://192.168.56.10:8081/otp*.gz') FORMAT 'csv' (header) LOG ERRORS SEGMENT REJECT LIMIT 50000 rows;

因為gpfdist要將數(shù)據(jù)均勻的分布到每個節(jié)點上，所以創(chuàng)建EXTERNAL TABLE時LOCATION中指定的地址要是集群內(nèi)的節(jié)點能夠訪問的地址，如果指定為127.0.0.1僅僅是當前服務(wù)器可以訪問，其它節(jié)點訪問不了，系統(tǒng)會報錯拒絕連接。

gp_sydb=# INSERT INTO faa.faa_otp_load SELECT * FROM faa.ext_load_otp; ERROR: connection with gpfdist failed for gpfdist://localhost:8081/otp*.gz. effective url: http://127.0.0.1:8081/otp*.gz. error code = 111 (Connection refused) (seg2 slice1 192.168.56.12:40002 pid=3546)

從external table加載數(shù)據(jù)到表中；

gp_sydb=# INSERT INTO faa.faa_otp_load SELECT * FROM faa.ext_load_otp; NOTICE: Found 26526 data formatting errors (26526 or more input rows). Rejected related input data. INSERT 0 1024552 gp_sydb=# select count(*) from faa.faa_otp_load;count ---------1024552 (1 row)

Greenplum也支持通過external table對外部文件的訪問，但數(shù)據(jù)不能存放到內(nèi)存中，每次操作成本很高。

gp_sydb=# select count(*) from faa.ext_load_otp; NOTICE: Found 26526 data formatting errors (26526 or more input rows). Rejected related input data.count ---------1024552 (1 row)

查看加載錯誤的數(shù)據(jù)(在external table表上查看);

SELECT gp_read_error_log('faa.ext_load_otp');

最后停止gpfdist進程；

[gpadmin@gp-master faa]$ killall gpfdist

3 GPLOAD

gpfdist的操作需要我們一步步的配置和執(zhí)行，Greenplum提供了一個封裝好的依賴配置的工具GPLOAD；首先我們創(chuàng)建所需的配置文件gpload01.yaml和操作日志表faa.load_audit；

create table faa.load_audit(tname varchar(100),tnode varchar(300),tdate timestamp);vi gpload01.yaml--- VERSION: 1.0.0.1 DATABASE: gp_sydb # 數(shù)據(jù)庫名稱 USER: gpadmin # 用戶名 HOST: 192.168.56.10 PORT: 5432 GPLOAD:INPUT:- SOURCE:LOCAL_HOSTNAME:- 192.168.56.10PORT: 8081FILE: # 文件位置- /mnt/vbox/greenplum-master/test_data/faa/otp*.gz- FORMAT: csv- QUOTE: '"'- ERROR_LIMIT: 50000- LOG_ERRORS: trueOUTPUT:- TABLE: faa.faa_otp_load- MODE: INSERTPRELOAD:- REUSE_TABLES: trueSQL:- BEFORE: "INSERT INTO faa.load_audit VALUES('faa.faa_otp_load','start', current_timestamp)"- AFTER: "INSERT INTO faa.load_audit VALUES('faa.faa_otp_load','end', current_timestamp)"

注意檢查端口是否被占用，文件路徑是否正確；最后執(zhí)行加載；

日志提示臨時創(chuàng)建的external table，數(shù)據(jù)插入、更新、錯誤信息，還提示怎么查看錯誤數(shù)據(jù)。

gp_sydb=# select count(*) from faa.faa_otp_load;count ---------1024552 (1 row)

GPLOAD提供更多的支持和自動化操作，也更方便定制某些特殊的操作，比如監(jiān)控和統(tǒng)計。

轉(zhuǎn)載于:https://www.cnblogs.com/lanston/p/greenplum_data_loading.html

總結(jié)

以上是生活随笔為你收集整理的MPP 二、Greenplum数据加载的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇： [转]解读Unity中的CG编写Shad
下一篇：动态密码卡TOTP算法