Работа с данными Avro, Arrow и ORC в ClickHouse

Apache выпустила несколько форматов данных, которые активно используются в аналитических средах, включая популярные Avro, Arrow и Orc. ClickHouse поддерживает импорт и экспорт данных в любом из форматов из этого списка.

ClickHouse поддерживает чтение и запись файлов данных Apache Avro, которые широко используются в системах Hadoop.

Чтобы импортировать данные из файла Avro, следует использовать формат Avro в операторе INSERT:

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

С помощью функции file() можно также просматривать файлы Avro до фактического импорта данных:

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 │
└─────────────────┴───────┘

Чтобы экспортировать в файл формата Avro:

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

Учитывайте соответствие типов данных при импорте и экспорте файлов Avro. При загрузке данных из файлов Avro используйте явное приведение типов для преобразования:

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 │
└───────┴──────────────┘

Если сообщения в Kafka используют формат Avro, ClickHouse может читать такие потоки с помощью формата AvroConfluent и движка Kafka:

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';

Ещё один столбцовый формат — Apache Arrow, который ClickHouse также поддерживает для импорта и экспорта данных. Чтобы импортировать данные из файла Arrow, используется формат Arrow:

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

Экспорт в файл Arrow выполняется так же:

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

Также см. соответствие типов данных, чтобы узнать, не нужно ли какие-либо из них преобразовывать вручную.

Формат ArrowStream можно использовать для работы с потоками Arrow (они применяются для обработки данных в памяти). ClickHouse может читать и записывать потоки Arrow.

Чтобы показать, как ClickHouse может передавать данные Arrow в потоковом режиме, направим их в следующий скрипт на Python (он читает входной поток в формате Arrow streaming и выводит результат в виде таблицы Pandas):

import sys, pyarrow as pa

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

Теперь мы можем передавать данные из ClickHouse, направив его вывод в скрипт:

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 также может читать потоки Arrow в том же формате ArrowStream:

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

Мы использовали arrow-stream в качестве возможного источника данных Arrow в потоковом формате.

Apache ORC — это столбцовый формат хранения данных, обычно используемый в Hadoop. ClickHouse поддерживает как импорт, так и экспорт данных ORC с использованием формата ORC:

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

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

Также ознакомьтесь с соответствием типов данных и дополнительными настройками, чтобы настроить экспорт и импорт.

В ClickHouse поддерживается множество форматов — как текстовых, так и двоичных, — для самых разных сценариев и платформ. Подробнее о форматах и способах работы с ними читайте в следующих статьях:

• Форматы CSV и TSV
• Форматы JSON
• Regex и Template
• Native и двоичные форматы
• Форматы SQL

Также обратите внимание на clickhouse-local — переносимый полнофункциональный инструмент для работы с локальными и удалёнными файлами без использования сервера ClickHouse.