HDFS
该引擎通过允许在 ClickHouse 中管理 HDFS 上的数据，为 Apache Hadoop 生态系统提供集成。该引擎类似于 File 和 URL 引擎，但提供了 Hadoop 特有的功能。
该功能不受 ClickHouse 工程师支持，并且已知质量不稳定。如遇任何问题，请自行修复并提交拉取请求。
使用方法
引擎参数
URI- HDFS 上完整文件的 URI。URI的路径部分可以包含通配符。在这种情况下，表将为只读。format- 指定可用文件格式之一。要执行SELECT查询，格式必须支持输入；要执行INSERT查询，格式必须支持输出。可用格式在 Formats 部分列出。- [PARTITION BY expr]
PARTITION BY
PARTITION BY — 可选。在大多数情况下，您不需要分区键，如果需要，一般情况下，分区键不应比按月更详细。分区不会加速查询（与 ORDER BY 表达式相反）。您应该永远不要使用过于细粒度的分区。不要按照客户端标识符或名称对数据进行分区（相反，让客户端标识符或名称成为 ORDER BY 表达式中的第一列）。
按月分区时，使用 toYYYYMM(date_column) 表达式，其中 date_column 是 Date 类型的日期列。此处的分区名称为 "YYYYMM" 格式。
示例：
1. 设置 hdfs_engine_table 表：
2. 填充文件：
3. 查询数据：
实现细节
-
读取和写入可以并行进行。
-
不支持：
ALTER和SELECT...SAMPLE操作。- 索引。
- 零拷贝 复制是可能的，但不推荐。
零拷贝复制不适用于生产环境在 ClickHouse 版本 22.8 及更高版本中，默认禁用零拷贝复制。 不推荐在生产中使用此功能。
路径中的通配符
多个路径组件可以包含通配符。为了进行处理，文件必须存在并且与整个路径模式匹配。文件的列出在 SELECT 时确定（而不是在 CREATE 时确定）。
*— 替代任意数量的任意字符（不包括/），也可以替代空字符串。?— 替代任意单个字符。{some_string,another_string,yet_another_one}— 替代字符串'some_string', 'another_string', 'yet_another_one'中的任意一个。{N..M}— 替代范围内的任意数字，从 N 到 M（包括两个边界）。
带有 {} 的结构与 remote 表函数类似。
示例
-
假设我们在 HDFS 上有多个 TSV 格式的文件，其 URI 如下：
- 'hdfs://hdfs1:9000/some_dir/some_file_1'
- 'hdfs://hdfs1:9000/some_dir/some_file_2'
- 'hdfs://hdfs1:9000/some_dir/some_file_3'
- 'hdfs://hdfs1:9000/another_dir/some_file_1'
- 'hdfs://hdfs1:9000/another_dir/some_file_2'
- 'hdfs://hdfs1:9000/another_dir/some_file_3'
-
可以通过几种方法创建一个包含所有六个文件的表：
另一种方式：
表包含两个目录中的所有文件（所有文件应满足查询中描述的格式和模式）：
如果文件列表包含带前导零的数字范围，请为每个数字单独使用花括号结构或使用 ?。
示例
创建一个文件名为 file000, file001, ... , file999 的表：
配置
类似于 GraphiteMergeTree，HDFS 引擎支持使用 ClickHouse 配置文件的扩展配置。有两个可以使用的配置键：全局 (hdfs) 和用户级别 (hdfs_*)。首先应用全局配置，然后应用用户级别的配置（如果存在）。
配置选项
libhdfs3 支持的
| 参数 | 默认值 |
|---|---|
| rpc_client_connect_tcpnodelay | true |
| dfs_client_read_shortcircuit | true |
| output_replace-datanode-on-failure | true |
| input_notretry-another-node | false |
| input_localread_mappedfile | true |
| dfs_client_use_legacy_blockreader_local | false |
| rpc_client_ping_interval | 10 * 1000 |
| rpc_client_connect_timeout | 600 * 1000 |
| rpc_client_read_timeout | 3600 * 1000 |
| rpc_client_write_timeout | 3600 * 1000 |
| rpc_client_socket_linger_timeout | -1 |
| rpc_client_connect_retry | 10 |
| rpc_client_timeout | 3600 * 1000 |
| dfs_default_replica | 3 |
| input_connect_timeout | 600 * 1000 |
| input_read_timeout | 3600 * 1000 |
| input_write_timeout | 3600 * 1000 |
| input_localread_default_buffersize | 1 * 1024 * 1024 |
| dfs_prefetchsize | 10 |
| input_read_getblockinfo_retry | 3 |
| input_localread_blockinfo_cachesize | 1000 |
| input_read_max_retry | 60 |
| output_default_chunksize | 512 |
| output_default_packetsize | 64 * 1024 |
| output_default_write_retry | 10 |
| output_connect_timeout | 600 * 1000 |
| output_read_timeout | 3600 * 1000 |
| output_write_timeout | 3600 * 1000 |
| output_close_timeout | 3600 * 1000 |
| output_packetpool_size | 1024 |
| output_heartbeat_interval | 10 * 1000 |
| dfs_client_failover_max_attempts | 15 |
| dfs_client_read_shortcircuit_streams_cache_size | 256 |
| dfs_client_socketcache_expiryMsec | 3000 |
| dfs_client_socketcache_capacity | 16 |
| dfs_default_blocksize | 64 * 1024 * 1024 |
| dfs_default_uri | "hdfs://localhost:9000" |
| hadoop_security_authentication | "simple" |
| hadoop_security_kerberos_ticket_cache_path | "" |
| dfs_client_log_severity | "INFO" |
| dfs_domain_socket_path | "" |
HDFS 配置参考 可能会解释某些参数。
ClickHouse 附加参数
| 参数 | 默认值 |
|---|---|
| hadoop_kerberos_keytab | "" |
| hadoop_kerberos_principal | "" |
| libhdfs3_conf | "" |
限制
hadoop_security_kerberos_ticket_cache_path和libhdfs3_conf只能为全局，不能针对用户
Kerberos 支持
如果 hadoop_security_authentication 参数的值为 kerberos，ClickHouse 通过 Kerberos 进行身份验证。
参数在 这里，并且 hadoop_security_kerberos_ticket_cache_path 可能会有帮助。
请注意，由于 libhdfs3 的限制，仅支持传统方法，
数据节点通信不受 SASL 保护（HADOOP_SECURE_DN_USER 是这种安全方法的可靠指标）。使用 tests/integration/test_storage_kerberized_hdfs/hdfs_configs/bootstrap.sh 作为参考。
如果指定了 hadoop_kerberos_keytab、hadoop_kerberos_principal 或 hadoop_security_kerberos_ticket_cache_path，将使用 Kerberos 身份验证。在这种情况下，hadoop_kerberos_keytab 和 hadoop_kerberos_principal 是必需的。
HDFS Namenode HA 支持
libhdfs3 支持 HDFS Namenode HA。
- 从 HDFS 节点复制
hdfs-site.xml到/etc/clickhouse-server/。 - 将以下内容添加到 ClickHouse 配置文件中：
- 然后使用
hdfs-site.xml中的dfs.nameservices标签值作为 HDFS URI 中的 Namenode 地址。例如，将hdfs://[email protected]:8020/abc/替换为hdfs://appadmin@my_nameservice/abc/。
虚拟列
_path— 文件的路径。类型：LowCardinality(String)。_file— 文件名。类型：LowCardinality(String)。_size— 文件大小（以字节为单位）。类型：Nullable(UInt64)。如果大小未知，则值为NULL。_time— 文件的最后修改时间。类型：Nullable(DateTime)。如果时间未知，则值为NULL。
存储设置
- hdfs_truncate_on_insert - 允许在插入之前截断文件。默认禁用。
- hdfs_create_new_file_on_insert - 允许在每次插入时创建新文件（如果格式具有后缀）。默认禁用。
- hdfs_skip_empty_files - 允许在读取时跳过空文件。默认禁用。
另见
