输入与输出文件格式
Databend 支持多种文件格式作为数据加载或卸载的源和目标。本页面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 | XML } [ formatTypeOptions ] )
-- 指定自定义文件格式
... FILE_FORMAT = ( FORMAT_NAME = '<your-custom-format>' )
- Databend 目前仅支持将 XML 作为源。尚不支持将数据卸载到 XML 文件中。
- 如果在执行 COPY INTO 或从Stage SELECT 操作时未指定 FILE_FORMAT,Databend 将使用您在创建Stage时为该Stage定义的文件格式。在创建Stage期间未明确指定文件格式的情况下,Databend 默认使用 PARQUET 格式。如果您指定的 FILE_FORMAT 与创建Stage时定义的不同,Databend 将优先考虑操作期间指定的 FILE_FORMAT。
- 有关在 Databend 中管理自定义文件格式的信息,请参见 文件格式。
formatTypeOptions
formatTypeOptions
包括一个或多个选项,用于描述有关文件的其他格式细节。选项根据文件格式的不同而有所不同。请参阅下面的各个部分,了解每个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,则必须引用该字符串。
引用字符串中不会转义任何字符,除了 QUOTE。
FIELD_DELIMITER 和 QUOTE 之间不应留有空格。
如果字符串来自序列化的 Array 或 Struct 字段,则会在 CSV 中引用该字符串。
如果您开发程序并从中生成 CSV 文件,Databend 建议使用程序语言的 CSV 库。
除非满足以下条件,否则 Databend 不会将从 MySQL 卸载的文件识别为 CSV 格式:
ESCAPED BY
为空。ENCLOSED BY
不为空。备注如果不满足上述条件,文件将被识别为 TSV 格式。有关
ESCAPED BY
和ENCLOSED BY
子句的更多信息,请参阅 https://dev.mysql.com/doc/refman/8.0/en/load-data.html 。
RECORD_DELIMITER
在输入文件中分隔记录。
可用值:
\r\n
- 非字母数字字符,如
#
和|
。 - 带转义字符的字符:
\b
、\f
、\r
、\n
、\t
、\0
、\xHH
默认值:\n
FIELD_DELIMITER
在记录中分隔字段。
可用值:
- 非字母数字字符,如
#
和|
。 - 带转义字符的字符:
\b
、\f
、\r
、\n
、\t
、\0
、\xHH
默认值:,
(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,否则不需要引用。
仅用于数据加载:卸载数据时不可用此选项。
可用值:\'
或 \"
。
默认值:\"
ESCAPE
在引用字符串中转义引号。
可用值:\'
或 \"
或 \\
。
默认值:\"
SKIP_HEADER
指定从文件开始处跳过多少行。
仅用于数据加载:卸载数据时不可用此选项。
默认值: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)
默认值:'NaN'
NULL_DISPLAY
指定在查询结果中如何显示 NULL 值。
默认值:'\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 可帮助确保加载过程中的数据完整性和一致性。
默认值:true
EMPTY_FIELD_AS
指定在遇到空字段(包括 ,,
和 ,"",
)时应使用的值,将 CSV 数据加载到表中。
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 | 对空字段使用列的默认值。 |
OUTPUT_HEADER
指定在使用 COPY INTO <location>
命令导出数据时是否包含 CSV 文件中的标题行。默认为 false
。
BINARY_FORMAT
在数据导出和导入操作期间控制二进制编码格式,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) | 表示文件未被压缩。 |
AUTO | 通过文件扩展名自动检测压缩方式 |
GZIP | |
BZ2 | |
BROTLI | 必须指定,如果加载/卸载Brotli压缩的文件。 |
ZSTD | 支持Zstandard v0.8(及更高版本)。 |
DEFLATE | Deflate压缩文件(带有zlib头部,RFC1950)。 |
RAW_DEFLATE | Deflate压缩文件(无任何头部,RFC1951)。 |
XZ |
TSV 选项
处理TSV文件时,Databend遵循以下条件:
- TSV文件中的这些字符将被转义:
\b
、\f
、\r
、\n
、\t
、\0
、\\
、\'
、RECORD_DELIMITER、FIELD_DELIMITER。 - 当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,将在CSV中引用该字符串。
- Null被序列化为
\N
。
RECORD_DELIMITER
在输入文件中分隔记录。
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
默认值:\n
FIELD_DELIMITER
在记录中分隔字段。
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
默认值:\t
(TAB键)
COMPRESSION
NDJSON 选项
NULL_FIELD_AS
指定在数据加载期间如何处理空值。请参考下表中的选项了解可能的配置。
可用值 | 描述 |
---|---|
NULL (默认) | 将空值解释为NULL,用于可空字段。对于非可空字段,将生成错误。 |
FIELD_DEFAULT | 对于空值,使用字段的默认值。 |
MISSING_FIELD_AS
确定在数据加载期间遇到缺失字段时的行为。请参考下表中的选项了解可能的配置。
可用值 | 描述 |
---|---|
ERROR (默认) | 如果遇到缺失字段,将生成错误。 |
NULL | 将缺失字段解释为NULL值。对于非可空字段,将生成错误。 |
FIELD_DEFAULT | 对于缺失字段,使用字段的默认值。 |
TYPE_DEFAULT | 对于缺失字段,使用字段数据类型的默认值。 |
COMPRESSION
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。请参考下表中的选项了解可能的配置。
可用值 | 描述 |
---|---|
ERROR (默认) | 如果遇到缺失字段,将生成错误。 |
FIELD_DEFAULT | 对于缺失字段,使用字段的默认值。 |
XML 选项
COMPRESSION
与 CSV 的 COMPRESSION 选项 相同。
ROW_TAG
用于选择要作为记录解码的XML元素。
默认值:'row'