输入与输出文件格式

引入或更新: v1.2.530

Databend 接受多种文件格式作为数据加载或卸载的源和目标。本页解释了支持的文件格式及其可用选项。

语法

要在语句中指定文件格式，请使用以下语法：

-- 指定标准文件格式
... FILE_FORMAT = ( TYPE = { CSV | TSV | NDJSON | PARQUET | ORC } [ formatTypeOptions ] )

-- 指定自定义文件格式
... FILE_FORMAT = ( FORMAT_NAME = '<your-custom-format>' )

• Databend 目前仅支持 ORC 作为源。不支持将数据卸载到 ORC 文件。
• 如果在执行 COPY INTO 或 SELECT 操作时未指定 FILE_FORMAT，Databend 将使用您在创建阶段时最初为阶段定义的文件格式。如果在创建阶段时未明确指定文件格式，Databend 默认使用 PARQUET 格式。如果在操作中指定了与创建阶段时定义的不同的 FILE_FORMAT，Databend 将优先使用操作中指定的 FILE_FORMAT。
• 有关在 Databend 中管理自定义文件格式，请参阅 File Format。

formatTypeOptions

formatTypeOptions 包括一个或多个选项，用于描述文件的其他格式细节。选项因文件格式而异。请参阅下面的部分，了解每种支持的文件格式的可用选项。

formatTypeOptions ::=
  RECORD_DELIMITER = '<character>'
  FIELD_DELIMITER = '<character>'
  SKIP_HEADER = <integer>
  QUOTE = '<character>'
  ESCAPE = '<character>'
  NAN_DISPLAY = '<string>'
  ROW_TAG = '<string>'
  COMPRESSION = AUTO | GZIP | BZ2 | BROTLI | ZSTD | DEFLATE | RAW_DEFLATE | XZ | NONE

CSV 选项

Databend 接受符合 RFC 4180 的 CVS 文件，并受以下条件限制：

• 如果字符串包含 QUOTE、ESCAPE、RECORD_DELIMITER 或 FIELD_DELIMITER 的字符，则必须用引号括起来。
• 引号字符串中除 QUOTE 外的字符不会被转义。
• FIELD_DELIMITER 和 QUOTE 之间不应有空格。
• 如果字符串来自序列化的 Array 或 Struct 字段，则会在 CSV 中用引号括起来。
• 如果您开发程序并从中生成 CSV 文件，Databend 建议使用编程语言的 CSV 库。

RECORD_DELIMITER

分隔输入文件中的记录。

可用值:

• \r\n
• 一个单字节、非字母数字字符，如 # 和 |。
• 带有转义字符的字符：\b, \f, \r, \n, \t, \0, \xHH

默认: \n

FIELD_DELIMITER

分隔记录中的字段。

可用值:

• 一个单字节、非字母数字字符，如 # 和 |。
• 带有转义字符的字符：\b, \f, \r, \n, \t, \0, \xHH

默认: , (逗号)

QUOTE

在 CSV 文件中引用字符串。对于数据加载，除非字符串包含 QUOTE、ESCAPE、RECORD_DELIMITER 或 FIELD_DELIMITER 的字符，否则不需要引号。

备注

仅用于数据加载: 当您从 Databend 卸载数据时，此选项不可用。

可用值: ', ", 或 `(反引号)

默认: "

ESCAPE

在引号字符串中转义引号。

可用值: '\\' 或 ''

默认: ''

SKIP_HEADER

指定从文件开头跳过的行数。

备注

仅用于数据加载: 当您从 Databend 卸载数据时，此选项不可用。

默认: 0

NAN_DISPLAY

指定在查询结果中如何显示“NaN”（非数字）值。

可用值: 必须是字面量 'nan' 或 'null'（不区分大小写）

默认: 'NaN'

NULL_DISPLAY

指定在查询结果中如何显示 NULL 值。

默认: '\N'

ERROR_ON_COLUMN_COUNT_MISMATCH

ERROR_ON_COLUMN_COUNT_MISMATCH 是一个布尔选项，当设置为 true 时，指定如果数据文件中的列数与目标表中的列数不匹配，则应引发错误。设置为 true 有助于在加载过程中确保数据完整性和一致性。

默认: true

EMPTY_FIELD_AS

指定在遇到空字段（包括 ,, 和 ,"",）时，应使用的值，这些空字段正在加载到表中。

可用值:

值	描述
null (默认)	将空字段解释为 NULL 值。仅适用于可为空的列。
string	将空字段解释为空字符串（''）。仅适用于 String 列。
field_default	使用列的默认值作为空字段。

OUTPUT_HEADER

指定在使用 COPY INTO <location> 命令导出数据时，是否在 CSV 文件中包含标题行。默认为 false。

BINARY_FORMAT

控制数据导出和导入操作期间的二进制编码格式，可用值为 HEX（默认）和 BASE64。

COMPRESSION

指定压缩算法。

可用值:

值	描述
NONE (默认)	表示文件未压缩。
AUTO	通过文件扩展名自动检测压缩。
GZIP
BZ2
BROTLI	如果加载/卸载 Brotli 压缩文件，则必须指定。
ZSTD	支持 Zstandard v0.8（及更高版本）。
DEFLATE	使用 zlib 头部的 Deflate 压缩文件（RFC1950）。
RAW_DEFLATE	不带任何头部的 Deflate 压缩文件（RFC1951）。
XZ

TSV 选项

Databend 在处理 TSV 文件时受以下条件限制：

• TSV 文件中的这些字符将被转义：\b, \f, \r, \n, \t, \0, \\, \', RECORD_DELIMITER, FIELD_DELIMITER。
• 目前不支持引用或封闭。
• 如果字符串来自序列化的 Array 或 Struct 字段，则会在 CSV 中用引号括起来。
• Null 序列化为 \N。

备注

1. 在 Databend 中，TSV 和 CSV 的主要区别不是使用制表符而不是逗号作为字段分隔符（可以通过选项更改），而是使用转义而不是引用来处理 分隔符冲突。
2. 我们建议使用 CSV 作为存储格式，因为它有正式的标准。
3. TSV 可用于加载由以下方式生成的文件：
   1. Clickhouse TSV 文件格式。
   2. MySQL mysqldump 命令，带有选项 --tab，但不带 --fields-enclosed-by 或 --fields-optinally-enclosed-by，如果指定了后两者，请改用 CSV。
   3. Snowflake CSV，不带 ESCAPE_UNENCLOSED_FIELD。如果指定了 ESCAPE_UNENCLOSED_FIELD，请改用 CSV。

RECORD_DELIMITER

分隔输入文件中的记录。

可用值:

• \r\n
• 任意字符，如 # 和 |。
• 带有转义字符的字符：\b, \f, \r, \n, \t, \0, \xHH

默认: \n

FIELD_DELIMITER

分隔记录中的字段。

可用值:

• 非字母数字字符，如 # 和 |。
• 带有转义字符的字符：\b, \f, \r, \n, \t, \0, \xHH

默认: \t (制表符)

COMPRESSION

与 CSV 的 COMPRESSION 选项 相同。

NDJSON 选项

NULL_FIELD_AS

指定在数据加载期间如何处理 null 值。请参阅下表中的选项以了解可能的配置。

可用值	描述
NULL (默认)	将 null 值解释为 NULL，适用于可为空的字段。对于不可为空的字段，将生成错误。
FIELD_DEFAULT	使用字段的默认值作为 null 值。

MISSING_FIELD_AS

确定在数据加载期间遇到缺失字段时的行为。请参阅下表中的选项以了解可能的配置。

可用值	描述
ERROR (默认)	如果遇到缺失字段，则生成错误。
NULL	将缺失字段解释为 NULL 值。对于不可为空的字段，将生成错误。
FIELD_DEFAULT	使用字段的默认值作为缺失字段。
TYPE_DEFAULT	使用字段数据类型的默认值作为缺失字段。

COMPRESSION

与 CSV 的 COMPRESSION 选项 相同。

PARQUET 选项

MISSING_FIELD_AS

确定在数据加载期间遇到缺失字段时的行为。请参阅下表中的选项以了解可能的配置。

可用值	描述
ERROR (默认)	如果遇到缺失字段，则生成错误。
FIELD_DEFAULT	使用字段的默认值作为缺失字段。

ORC 选项

目前 ORC 格式没有可用选项。