ClickHouseでAvro、Arrow、ORCデータを扱う

Apacheは、分析環境で広く使われている Avro、Arrow、Orc など、複数のデータフォーマットを公開しています。ClickHouseは、これらのフォーマットを使ったデータのインポートとエクスポートをサポートしています。

Avroフォーマットでのインポートとエクスポート

ClickHouseは、Hadoopシステムで広く利用されているApache Avroデータファイルの読み書きをサポートしています。

avro fileからインポートするには、INSERTステートメントでAvroフォーマットを使用します。

INSERT INTO sometable
FROM INFILE 'data.avro'
FORMAT Avro

file() 関数を使うと、実際にデータをインポートする前に Avro ファイルの内容を確認することもできます。

SELECT path, hits
FROM file('data.avro', Avro)
ORDER BY hits DESC
LIMIT 5;

┌─path────────────┬──hits─┐
│ Amy_Poehler     │ 62732 │
│ Adam_Goldberg   │ 42338 │
│ Aaron_Spelling  │ 25128 │
│ Absence_seizure │ 18152 │
│ Ammon_Bundy     │ 11890 │
└─────────────────┴───────┘

Avroファイルへエクスポートするには:

SELECT * FROM sometable
INTO OUTFILE 'export.avro'
FORMAT Avro;

Avro と ClickHouse のデータ型

Avro ファイルをインポートまたはエクスポートする際は、データ型の対応を確認してください。Avro ファイルからデータを読み込む際に変換が必要な場合は、明示的な型キャストを使用します。

SELECT
    date,
    toDate(date)
FROM file('data.avro', Avro)
LIMIT 3;

┌──date─┬─toDate(date)─┐
│ 16556 │   2015-05-01 │
│ 16556 │   2015-05-01 │
│ 16556 │   2015-05-01 │
└───────┴──────────────┘

Kafka の Avro メッセージ

Kafka メッセージが Avro フォーマットを使用している場合、ClickHouse は AvroConfluent フォーマットと Kafka エンジンを使用して、このようなストリームを読み取ることができます。

CREATE TABLE some_topic_stream
(
    field1 UInt32,
    field2 String
)
ENGINE = Kafka() SETTINGS
kafka_broker_list = 'localhost',
kafka_topic_list = 'some_topic',
kafka_group_name = 'some_group',
kafka_format = 'AvroConfluent';

Arrowフォーマットの使用

もう1つの列指向フォーマットとして、Apache Arrow があります。これは ClickHouse でもインポートとエクスポートの両方に対応しています。Arrowファイルからデータをインポートするには、Arrow フォーマットを使用します。

INSERT INTO sometable
FROM INFILE 'data.arrow'
FORMAT Arrow

Arrow ファイルへのエクスポートも同様に行えます。

SELECT * FROM sometable
INTO OUTFILE 'export.arrow'
FORMAT Arrow

また、手動で変換が必要なものがあるかどうかは、データ型の対応を参照してください。

Arrowデータのストリーミング

ArrowStream フォーマットは、Arrow ストリーミング (インメモリ処理で使用) を扱う際に使用できます。ClickHouse は Arrow ストリームの読み書きに対応しています。

ClickHouse で Arrow データをストリーミングできることを示すため、次の Python スクリプトにパイプしてみましょう (このスクリプトは Arrow ストリーミングフォーマットの入力ストリームを読み取り、結果を Pandas のテーブルとして出力します) :

import sys, pyarrow as pa

with pa.ipc.open_stream(sys.stdin.buffer) as reader:
  print(reader.read_pandas())

これで、ClickHouse の出力をスクリプトにパイプして、ClickHouse からデータをストリーミングできるようになります。

clickhouse-client -q "SELECT path, hits FROM some_data LIMIT 3 FORMAT ArrowStream" | python3 arrow.py

                           path  hits
0       b'Akiba_Hebrew_Academy'   241
1           b'Aegithina_tiphia'    34
2  b'1971-72_Utah_Stars_season'     1

ClickHouseは、同じArrowStreamフォーマットを使用してArrowストリームも読み込めます。

arrow-stream | clickhouse-client -q "INSERT INTO sometable FORMAT ArrowStream"

Arrow ストリーミングデータの取得元の候補として、arrow-stream を使用してきました。

ORC データのインポートとエクスポート

Apache ORC フォーマットは、通常 Hadoop で使用される列指向ストレージフォーマットです。ClickHouse は、ORC フォーマットを使用した ORC データのインポートとエクスポートの両方に対応しています。

SELECT *
FROM sometable
INTO OUTFILE 'data.orc'
FORMAT ORC;

INSERT INTO sometable
FROM INFILE 'data.orc'
FORMAT ORC;

また、エクスポートとインポートの調整には、データ型の対応と追加設定も確認してください。