在本指南中,我们将使用 chDB 的 Python 版本进行操作。
我们将从查询存储在 S3 上的 JSON 文件开始,然后根据该 JSON 文件在 chDB 中创建一个表,并对数据进行一些查询。
我们还将看到如何使查询以不同格式返回数据,包括 Apache Arrow 和 Pandas,最后我们将学习如何查询 Pandas DataFrames。
首先,让我们创建一个虚拟环境:
python -m venv .venv
source .venv/bin/activate
接下来,我们将安装 chDB。
确保您安装的版本是 2.0.3 或更高:
pip install "chdb>=2.0.2"
现在我们将安装 ipython:
我们将使用 ipython
来运行本指南中的命令,您可以通过运行以下命令来启动它:
在本指南中,我们还将使用 Pandas 和 Apache Arrow,因此让我们也安装这些库:
pip install pandas pyarrow
查询 S3 中的 JSON 文件
现在让我们看看如何查询存储在 S3 存储桶中的 JSON 文件。
YouTube 不喜欢数据集 包含了截至 2021 年的超过 40 亿行不喜欢 YouTube 视频的数据。
我们将使用该数据集中的一个 JSON 文件。
导入 chdb:
我们可以写以下查询以描述其中一个 JSON 文件的结构:
chdb.query(
"""
DESCRIBE s3(
's3://clickhouse-public-datasets/youtube/original/files/' ||
'youtubedislikes_20211127161229_18654868.1637897329_vid.json.zst',
'JSONLines'
)
SETTINGS describe_compact_output=1
"""
)
"id","Nullable(String)"
"fetch_date","Nullable(String)"
"upload_date","Nullable(String)"
"title","Nullable(String)"
"uploader_id","Nullable(String)"
"uploader","Nullable(String)"
"uploader_sub_count","Nullable(Int64)"
"is_age_limit","Nullable(Bool)"
"view_count","Nullable(Int64)"
"like_count","Nullable(Int64)"
"dislike_count","Nullable(Int64)"
"is_crawlable","Nullable(Bool)"
"is_live_content","Nullable(Bool)"
"has_subtitles","Nullable(Bool)"
"is_ads_enabled","Nullable(Bool)"
"is_comments_enabled","Nullable(Bool)"
"description","Nullable(String)"
"rich_metadata","Array(Tuple(
call Nullable(String),
content Nullable(String),
subtitle Nullable(String),
title Nullable(String),
url Nullable(String)))"
"super_titles","Array(Tuple(
text Nullable(String),
url Nullable(String)))"
"uploader_badges","Nullable(String)"
"video_badges","Nullable(String)"
我们还可以计算该文件中的行数:
chdb.query(
"""
SELECT count()
FROM s3(
's3://clickhouse-public-datasets/youtube/original/files/' ||
'youtubedislikes_20211127161229_18654868.1637897329_vid.json.zst',
'JSONLines'
)"""
)
该文件包含略多于 300,000 条记录。
chdb 目前还不支持传入查询参数,但我们可以提取路径并通过 f-String 传入。
path = 's3://clickhouse-public-datasets/youtube/original/files/youtubedislikes_20211127161229_18654868.1637897329_vid.json.zst'
chdb.query(
f"""
SELECT count()
FROM s3('{path}','JSONLines')
"""
)
警告
这样做对于程序中定义的变量是可以的,但不要对用户提供的输入这样做,否则您的查询将面临 SQL 注入风险。
默认输出格式是 CSV
,但我们可以通过 output_format
参数更改它。
chDB 支持 ClickHouse 数据格式,以及 一些自己的格式,包括 DataFrame
,返回 Pandas DataFrame:
result = chdb.query(
f"""
SELECT is_ads_enabled, count()
FROM s3('{path}','JSONLines')
GROUP BY ALL
""",
output_format="DataFrame"
)
print(type(result))
print(result)
<class 'pandas.core.frame.DataFrame'>
is_ads_enabled count()
0 False 301125
1 True 35307
或者如果我们想获取一个 Apache Arrow 表:
result = chdb.query(
f"""
SELECT is_live_content, count()
FROM s3('{path}','JSONLines')
GROUP BY ALL
""",
output_format="ArrowTable"
)
print(type(result))
print(result)
<class 'pyarrow.lib.Table'>
pyarrow.Table
is_live_content: bool
count(): uint64 not null
----
is_live_content: [[false,true]]
count(): [[315746,20686]]
从 JSON 文件创建表
接下来,让我们看看如何在 chDB 中创建一个表。
我们需要使用不同的 API 来实现,因此让我们先导入它:
from chdb import session as chs
接下来,我们将初始化一个会话。
如果我们希望会话持久化到磁盘,则需要提供一个目录名称。
如果留空,数据库将在内存中,并在我们终止 Python 进程后丢失。
sess = chs.Session("gettingStarted.chdb")
接下来,我们将创建一个数据库:
sess.query("CREATE DATABASE IF NOT EXISTS youtube")
现在我们可以基于 JSON 文件中的模式使用 CREATE...EMPTY AS
技术创建一个 dislikes
表。
我们将使用 schema_inference_make_columns_nullable
设置,以便列类型不会全部设为 Nullable
。
sess.query(f"""
CREATE TABLE youtube.dislikes
ORDER BY fetch_date
EMPTY AS
SELECT *
FROM s3('{path}','JSONLines')
SETTINGS schema_inference_make_columns_nullable=0
"""
)
然后我们可以使用 DESCRIBE
子句来检查架构:
sess.query(f"""
DESCRIBE youtube.dislikes
SETTINGS describe_compact_output=1
"""
)
"id","String"
"fetch_date","String"
"upload_date","String"
"title","String"
"uploader_id","String"
"uploader","String"
"uploader_sub_count","Int64"
"is_age_limit","Bool"
"view_count","Int64"
"like_count","Int64"
"dislike_count","Int64"
"is_crawlable","Bool"
"is_live_content","Bool"
"has_subtitles","Bool"
"is_ads_enabled","Bool"
"is_comments_enabled","Bool"
"description","String"
"rich_metadata","Array(Tuple(
call String,
content String,
subtitle String,
title String,
url String))"
"super_titles","Array(Tuple(
text String,
url String))"
"uploader_badges","String"
"video_badges","String"
接下来,让我们填充该表:
sess.query(f"""
INSERT INTO youtube.dislikes
SELECT *
FROM s3('{path}','JSONLines')
SETTINGS schema_inference_make_columns_nullable=0
"""
)
我们也可以将这两个步骤合并为一个,通过 CREATE...AS
技术进行。
让我们使用该技术创建另一个表:
sess.query(f"""
CREATE TABLE youtube.dislikes2
ORDER BY fetch_date
AS
SELECT *
FROM s3('{path}','JSONLines')
SETTINGS schema_inference_make_columns_nullable=0
"""
)
查询表
最后,让我们查询该表:
df = sess.query("""
SELECT uploader, sum(view_count) AS viewCount, sum(like_count) AS likeCount, sum(dislike_count) AS dislikeCount
FROM youtube.dislikes
GROUP BY ALL
ORDER BY viewCount DESC
LIMIT 10
""",
"DataFrame"
)
df
uploader viewCount likeCount dislikeCount
0 Jeremih 139066569 812602 37842
1 TheKillersMusic 109313116 529361 11931
2 LetsGoMartin- Canciones Infantiles 104747788 236615 141467
3 Xiaoying Cuisine 54458335 1031525 37049
4 Adri 47404537 279033 36583
5 Diana and Roma IND 43829341 182334 148740
6 ChuChuTV Tamil 39244854 244614 213772
7 Cheez-It 35342270 108 27
8 Anime Uz 33375618 1270673 60013
9 RC Cars OFF Road 31952962 101503 49489
假设我们然后向 DataFrame 中添加一个额外的列来计算喜欢与不喜欢的比率。
我们可以写以下代码:
df["likeDislikeRatio"] = df["likeCount"] / df["dislikeCount"]
查询 Pandas DataFrame
然后,我们可以从 chDB 查询该 DataFrame:
chdb.query(
"""
SELECT uploader, likeDislikeRatio
FROM Python(df)
""",
output_format="DataFrame"
)
uploader likeDislikeRatio
0 Jeremih 21.473548
1 TheKillersMusic 44.368536
2 LetsGoMartin- Canciones Infantiles 1.672581
3 Xiaoying Cuisine 27.842182
4 Adri 7.627395
5 Diana and Roma IND 1.225857
6 ChuChuTV Tamil 1.144275
7 Cheez-It 4.000000
8 Anime Uz 21.173296
9 RC Cars OFF Road 2.051021
您还可以在 查询 Pandas 开发者指南 中阅读更多关于查询 Pandas DataFrames 的内容。
下一步
希望本指南能够为您提供 chDB 的良好概述。
要了解更多有关如何使用它的信息,请参阅以下开发者指南: