加载 Parquet 文件到 Databend

什么是 Parquet？

Parquet 是一种常用的列式存储格式，广泛应用于数据分析领域。它旨在支持复杂的数据结构，并且对于处理大型数据集非常高效。

Parquet 文件对 Databend 最为友好。建议使用 Parquet 文件作为 Databend 的数据源。

加载 Parquet 文件

加载 Parquet 文件的常见语法如下：

COPY INTO [<database>.]<table_name>
     FROM { internalStage | externalStage | externalLocation }
[ PATTERN = '<regex_pattern>' ]
FILE_FORMAT = (TYPE = PARQUET)

更多关于语法的详细信息可以在 COPY INTO table 中找到。

教程：从 Parquet 文件加载数据

步骤 1. 创建一个内部 Stage

创建一个内部 Stage 来存储 Parquet 文件。

CREATE STAGE my_parquet_stage;

步骤 2. 创建 Parquet 文件

使用以下 SQL 语句生成一个 Parquet 文件：

COPY INTO @my_parquet_stage
FROM (
    SELECT
        'Title_' || CAST(number AS VARCHAR) AS title,
        'Author_' || CAST(number AS VARCHAR) AS author
    FROM numbers(100000)
)
    FILE_FORMAT = (TYPE = PARQUET);

验证 Parquet 文件的创建：

LIST @my_parquet_stage;

结果：

┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                               name                              │  size  │                 md5                │         last_modified         │      creator     │
├─────────────────────────────────────────────────────────────────┼────────┼────────────────────────────────────┼───────────────────────────────┼──────────────────┤
│ data_3890e0b1-0233-422c-b506-3a4501602f28_0000_00000000.parquet │  65443 │ "ab4631846ca8a2beed6a48be75d2acac" │ 2023-12-26 10:28:18.000 +0000 │ NULL             │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

更多关于卸载数据到 Stage 的详细信息可以在 COPY INTO location 中找到。

步骤 3: 创建目标表

CREATE TABLE books
(
    title VARCHAR,
    author VARCHAR
);

步骤 4. 直接从 Parquet 复制数据

要直接从 Parquet 文件复制数据到您的表中，请使用以下 SQL 命令：

COPY INTO books
    FROM @my_parquet_stage
    PATTERN = '.*[.]parquet'
    FILE_FORMAT = (TYPE = PARQUET);

结果：

┌───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                               File                              │ Rows_loaded │ Errors_seen │    First_error   │ First_error_line │
├─────────────────────────────────────────────────────────────────┼─────────────┼─────────────┼──────────────────┼──────────────────┤
│ data_3890e0b1-0233-422c-b506-3a4501602f28_0000_00000000.parquet │      100000 │           0 │ NULL             │             NULL │
└───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

步骤 4（选项）. 使用 SELECT 复制数据

为了获得更多控制，例如在复制时转换数据，请使用 SELECT 语句。了解更多信息请参阅 SELECT from Parquet

COPY INTO books (title, author)
FROM (
    SELECT title, author
    FROM @my_parquet_stage
)
PATTERN = '.*[.]parquet'
FILE_FORMAT = (TYPE = PARQUET);