Skip to content
ClickHouse Docs
ClickHouse DocsClickHouse Docs
49.6kGet Started

如何从 S3 存储桶摄取 Parquet 文件

View as MarkdownEdit this pageReport an issueSet up docs MCP

从 S3 存储桶摄取 Parquet 文件

下面介绍使用 S3 表引擎读取 Parquet 文件的一些基础知识。

  • 为 IAM 服务用户创建 access key 和 secret key。 普通登录用户通常无法使用，因为它们可能配置了 MFA 策略。

  • 在策略中设置权限，允许该服务用户访问存储桶和文件夹。

下面是一个非常简单的示例，你可以先用它测试是否能够成功访问你的 Parquet 文件，然后再应用到实际数据。

如果你需要有关创建用户和存储桶的示例，可以参考前两个部分 (创建用户和创建存储桶) ： 将 S3 与 ClickHouse 集成

我使用了这个示例文件：https://github.com/Teradata/kylo/tree/master/samples/sample-data/parquet 并将其上传到了我的测试存储桶

你可以像下面这样为存储桶设置策略： (根据需要调整，此策略授予的权限比较宽松，但有助于测试。你可以根据需要进一步收紧权限。)

{
    "Version": "2012-10-17",
    "Id": "Policy123456",
    "Statement": [
        {
            "Sid": "abc123",
            "Effect": "Allow",
            "Principal": {
                "AWS": [
                    "arn:aws:iam::1234567890:user/mars-s3-user"
                ]
            },
            "Action": "s3:*",
            "Resource": [
                "arn:aws:s3:::mars-doc-test",
                "arn:aws:s3:::mars-doc-test/*"
            ]
        }
    ]
}

你可以使用这种语法通过 S3 表引擎运行查询： https://clickhouse.com/docs/sql-reference/table-functions/s3/

clickhouse-cloud :)  select count(*) from s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet','ABC123', 'abc+123', 'Parquet', 'first_name String');

SELECT count(*)
FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123', 'abc+123', 'Parquet', 'first_name String')

Query id: fd4f1193-d604-4ac0-9a46-bdd2d5e14727

┌─count()─┐
│    1000 │
└─────────┘

1 row in set. Elapsed: 1.274 sec. Processed 1.00 thousand rows, 14.64 KB (784.81 rows/s., 11.49 KB/s.)

Parquet 格式的数据类型参考见： https://clickhouse.com/docs/interfaces/formats/#data-format-parquet

要将数据导入原生 ClickHouse 表：

先创建表，例如下面这样 (这里只选了 Parquet 文件中的几列) ：

clickhouse-cloud :) CREATE TABLE my_parquet_table (id UInt64, first_name String) ENGINE = MergeTree ORDER BY id;

CREATE TABLE my_parquet_table
(
    `id` UInt64,
    `first_name` String
)
ENGINE = MergeTree
ORDER BY id

Query id: 412e3994-bf8e-444e-ac43-a7c82642b7da

Ok.

0 rows in set. Elapsed: 0.600 sec.

选择 S3 存储桶中的数据，将其插入新表：

clickhouse-cloud :) INSERT INTO my_parquet_table (id, first_name) SELECT id, first_name FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123','abc+123', 'Parquet', 'id UInt64, first_name String') FORMAT Parquet

INSERT INTO my_parquet_table (id, first_name) SELECT
    id,
    first_name
FROM s3('https://mars-doc-test.s3.amazonaws.com/s3-parquet-test/userdata1.parquet', 'ABC123', 'abc+123', 'Parquet', 'id UInt64, first_name String')

Query id: c3cdc871-f338-462d-8797-6751b45a0b58

Ok.

0 rows in set. Elapsed: 1.220 sec. Processed 1.00 thousand rows, 22.64 KB (819.61 rows/s., 18.56 KB/s.)

验证导入结果：

clickhouse-cloud :) SELECT * FROM my_parquet_table LIMIT 10;

SELECT *
FROM my_parquet_table
LIMIT 10

Query id: 1ccf59dd-d804-46a9-aadd-ed5c57b9e1a0

┌─id─┬─first_name─┐
│  1 │ Amanda     │
│  2 │ Albert     │
│  3 │ Evelyn     │
│  4 │ Denise     │
│  5 │ Carlos     │
│  6 │ Kathryn    │
│  7 │ Samuel     │
│  8 │ Harry      │
│  9 │ Jose       │
│ 10 │ Emily      │
└────┴────────────┘

当你准备导入真实数据时，可以使用一些特殊语法 (如通配符和范围) 来指定存储桶中的文件夹、子文件夹和文件。 我建议先筛选少量目录和文件来测试导入，比如先选定某一年、几个月或某个日期范围进行测试。

除了这里的 path 选项外，新推出的 ** 语法还可以递归匹配所有子目录。 https://clickhouse.com/docs/sql-reference/table-functions/s3/

例如，假设 path 和存储桶的结构如下： https://your_s3_bucket.s3.amazonaws.com/<your_folder>/<year>/<month>/<day>/<filename>.parquet https://mars-doc-test.s3.amazonaws.com/system_logs/2022/11/01/my-app-logs-0001.parquet

这会获取 2021-2022 年间每个月第 1 天的所有文件。 https://mars-doc-test.s3.amazonaws.com/system_logs/{2021-2022}/**/01/*.parquet

Navigation