Подключение Airbyte к ClickHouse

Обратите внимание, что коннекторы Airbyte Source и Destination для ClickHouse сейчас находятся в альфа-статусе и не подходят для переноса больших наборов данных (> 10 млн строк)

Airbyte — это платформа интеграции данных с открытым исходным кодом. Она позволяет создавать ELT-конвейеры данных и включает более 140 готовых коннекторов. В этом пошаговом руководстве показано, как подключить Airbyte к ClickHouse в качестве пункта назначения и загрузить тестовый набор данных.

Скачайте и запустите Airbyte

Airbyte запускается в Docker и использует docker-compose. Обязательно скачайте и установите последнюю версию Docker.
Разверните Airbyte, клонировав официальный репозиторий GitHub и выполнив docker-compose up в удобном для вас терминале:
git clone https://github.com/airbytehq/airbyte.git --depth=1 cd airbyte ./run-ab-platform.sh
Как только в терминале появится баннер Airbyte, вы сможете перейти по адресу localhost:8000

Также вы можете зарегистрироваться и использовать Airbyte Cloud

Добавление ClickHouse в качестве пункта назначения

В этом разделе мы покажем, как добавить экземпляр ClickHouse в качестве пункта назначения.

Запустите сервер ClickHouse (Airbyte совместим с ClickHouse версии 21.8.10.19 и выше) или войдите в свою учетную запись ClickHouse Cloud:
clickhouse-server start
В Airbyte откройте страницу “Destinations” и добавьте новый пункт назначения:
Выберите ClickHouse в раскрывающемся списке “Destination type” и заполните форму “Set up the destination”: укажите hostname и порты ClickHouse, имя базы данных, имя пользователя и пароль, а также выберите, будет ли использоваться SSL-соединение (эквивалент флага --secure в clickhouse-client):
Поздравляем! Теперь ClickHouse добавлен в Airbyte в качестве пункта назначения.

Чтобы использовать ClickHouse в качестве пункта назначения, пользователь, которого вы будете для этого использовать, должен иметь разрешения на создание баз данных и таблиц, а также на вставку строк. Мы рекомендуем создать отдельного пользователя для Airbyte (например, my_airbyte_user) со следующими разрешениями:

CREATE USER 'my_airbyte_user'@'%' IDENTIFIED BY 'your_password_here';

GRANT CREATE ON * TO my_airbyte_user;

Добавьте набор данных как источник

В качестве примера мы будем использовать данные о такси Нью-Йорка (на GitHub). В этом руководстве мы будем использовать подмножество этого набора данных за январь 2022 года.

В Airbyte откройте страницу “Sources” и добавьте новый источник типа файла.
Заполните форму “Set up the source”: укажите имя источника и URL файла NYC Taxi за январь 2022 года (см. ниже). Убедитесь, что в качестве формата файла выбран parquet, в качестве Storage Provider — HTTPS Public Web, а в качестве Dataset Name — nyc_taxi_2022.
https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2022-01.parquet
Готово! Теперь вы добавили в Airbyte файловый источник.

Создание подключения и загрузка набора данных в ClickHouse

В Airbyte перейдите на страницу “Connections” и добавьте новое подключение

Выберите “Использовать существующий источник” и New York City Taxi Data, затем — “Использовать существующий пункт назначения” и свой экземпляр ClickHouse.
Заполните форму “Настройка соединения”: выберите частоту репликации (в этом руководстве мы будем использовать manual) и выберите nyc_taxi_2022 в качестве потока для синхронизации. Убедитесь, что в качестве нормализации выбрано Normalized Tabular Data.

Теперь, когда подключение создано, нажмите “Синхронизировать сейчас”, чтобы запустить загрузку данных (так как в качестве частоты репликации мы выбрали Manual)

Начнется загрузка данных; вы можете развернуть это представление, чтобы увидеть журналы Airbyte и прогресс. Когда операция завершится, в журналах появится сообщение Completed successfully:

Подключитесь к своему экземпляру ClickHouse с помощью любого удобного SQL-клиента и проверьте полученную таблицу:

SELECT *
FROM nyc_taxi_2022
LIMIT 10

Ответ должен выглядеть так:

Query id: 4f79c106-fe49-4145-8eba-15e1cb36d325

┌─extra─┬─mta_tax─┬─VendorID─┬─RatecodeID─┬─tip_amount─┬─airport_fee─┬─fare_amount─┬─DOLocationID─┬─PULocationID─┬─payment_type─┬─tolls_amount─┬─total_amount─┬─trip_distance─┬─passenger_count─┬─store_and_fwd_flag─┬─congestion_surcharge─┬─tpep_pickup_datetime─┬─improvement_surcharge─┬─tpep_dropoff_datetime─┬─_airbyte_ab_id───────────────────────┬─────_airbyte_emitted_at─┬─_airbyte_normalized_at─┬─_airbyte_nyc_taxi_2022_hashid────┐
│     0 │     0.5 │        2 │          1 │       2.03 │           0 │          17 │           41 │          162 │            1 │            0 │        22.33 │          4.25 │               3 │ N                  │                  2.5 │ 2022-01-24T16:02:27  │                   0.3 │ 2022-01-24T16:22:23   │ 000022a5-3f14-4217-9938-5657f9041c8a │ 2022-07-19 04:35:31.000 │    2022-07-19 04:39:20 │ 91F83E2A3AF3CA79E27BD5019FA7EC94 │
│     3 │     0.5 │        1 │          1 │       1.75 │           0 │           5 │          186 │          246 │            1 │            0 │        10.55 │           0.9 │               1 │ N                  │                  2.5 │ 2022-01-22T23:23:05  │                   0.3 │ 2022-01-22T23:27:03   │ 000036b6-1c6a-493b-b585-4713e433b9cd │ 2022-07-19 04:34:53.000 │    2022-07-19 04:39:20 │ 5522F328014A7234E23F9FC5FA78FA66 │
│     0 │     0.5 │        2 │          1 │       7.62 │        1.25 │          27 │          238 │           70 │            1 │         6.55 │        45.72 │          9.16 │               1 │ N                  │                  2.5 │ 2022-01-22T19:20:37  │                   0.3 │ 2022-01-22T19:40:51   │ 00003c6d-78ad-4288-a79d-00a62d3ca3c5 │ 2022-07-19 04:34:46.000 │    2022-07-19 04:39:20 │ 449743975782E613109CEE448AFA0AB3 │
│   0.5 │     0.5 │        2 │          1 │          0 │           0 │         9.5 │          234 │          249 │            1 │            0 │         13.3 │           1.5 │               1 │ N                  │                  2.5 │ 2022-01-22T20:13:39  │                   0.3 │ 2022-01-22T20:26:40   │ 000042f6-6f61-498b-85b9-989eaf8b264b │ 2022-07-19 04:34:47.000 │    2022-07-19 04:39:20 │ 01771AF57922D1279096E5FFE1BD104A │
│     0 │       0 │        2 │          5 │          5 │           0 │          60 │          265 │           90 │            1 │            0 │         65.3 │          5.59 │               1 │ N                  │                    0 │ 2022-01-25T09:28:36  │                   0.3 │ 2022-01-25T09:47:16   │ 00004c25-53a4-4cd4-b012-a34dbc128aeb │ 2022-07-19 04:35:46.000 │    2022-07-19 04:39:20 │ CDA4831B683D10A7770EB492CC772029 │
│     0 │     0.5 │        2 │          1 │          0 │           0 │        11.5 │           68 │          170 │            2 │            0 │         14.8 │           2.2 │               1 │ N                  │                  2.5 │ 2022-01-25T13:19:26  │                   0.3 │ 2022-01-25T13:36:19   │ 00005c75-c3c8-440c-a8e8-b1bd2b7b7425 │ 2022-07-19 04:35:52.000 │    2022-07-19 04:39:20 │ 24D75D8AADD488840D78EA658EBDFB41 │
│   2.5 │     0.5 │        1 │          1 │       0.88 │           0 │         5.5 │           79 │          137 │            1 │            0 │         9.68 │           1.1 │               1 │ N                  │                  2.5 │ 2022-01-22T15:45:09  │                   0.3 │ 2022-01-22T15:50:16   │ 0000acc3-e64f-4b58-8e15-dc47ff1685f3 │ 2022-07-19 04:34:37.000 │    2022-07-19 04:39:20 │ 2BB5B8E849A438E08F7FCF789E7D7E65 │
│  1.75 │     0.5 │        1 │          1 │        7.5 │        1.25 │        27.5 │           17 │          138 │            1 │            0 │        37.55 │             9 │               1 │ N                  │                    0 │ 2022-01-30T21:58:19  │                   0.3 │ 2022-01-30T22:19:30   │ 0000b339-b44b-40b0-99f8-ebbf2092cc5b │ 2022-07-19 04:38:10.000 │    2022-07-19 04:39:20 │ DCCE79199EF9217CD769EFD5271302FE │
│   0.5 │     0.5 │        2 │          1 │          0 │           0 │          13 │           79 │          140 │            2 │            0 │         16.8 │          3.19 │               1 │ N                  │                  2.5 │ 2022-01-26T20:43:14  │                   0.3 │ 2022-01-26T20:58:08   │ 0000caa8-d46a-4682-bd25-38b2b0b9300b │ 2022-07-19 04:36:36.000 │    2022-07-19 04:39:20 │ F502BE51809AF36582561B2D037B4DDC │
│     0 │     0.5 │        2 │          1 │       1.76 │           0 │         5.5 │          141 │          237 │            1 │            0 │        10.56 │          0.72 │               2 │ N                  │                  2.5 │ 2022-01-27T15:19:54  │                   0.3 │ 2022-01-27T15:26:23   │ 0000cd63-c71f-4eb9-9c27-09f402fddc76 │ 2022-07-19 04:36:55.000 │    2022-07-19 04:39:20 │ 8612CDB63E13D70C1D8B34351A7CA00D │
└───────┴─────────┴──────────┴────────────┴────────────┴─────────────┴─────────────┴──────────────┴──────────────┴──────────────┴──────────────┴──────────────┴───────────────┴─────────────────┴────────────────────┴──────────────────────┴──────────────────────┴───────────────────────┴───────────────────────┴──────────────────────────────────────┴─────────────────────────┴────────────────────────┴──────────────────────────────────┘

SELECT count(*)
FROM nyc_taxi_2022

Результат:

Query id: a9172d39-50f7-421e-8330-296de0baa67e

┌─count()─┐
│ 2392428 │
└─────────┘

Обратите внимание, что Airbyte автоматически определил типы данных и добавил 4 столбца в целевую таблицу. Эти столбцы Airbyte использует для управления логикой репликации и ведения журнала операций. Подробнее см. в официальной документации Airbyte.
`_airbyte_ab_id` String, `_airbyte_emitted_at` DateTime64(3, 'GMT'), `_airbyte_normalized_at` DateTime, `_airbyte_nyc_taxi_072021_hashid` String
Теперь, когда набор данных загружен в экземпляр ClickHouse, вы можете создать новую таблицу и использовать более подходящие типы данных ClickHouse (подробнее).
Поздравляем — вы успешно загрузили данные о нью-йоркских такси в ClickHouse с помощью Airbyte!