S3Queue 表引擎
该引擎提供与 Amazon S3 生态系统的集成,并允许流式导入。该引擎类似于 Kafka、RabbitMQ 引擎,但提供 S3 特定的功能。
创建表
在 24.7
之前,除了 mode
、after_processing
和 keeper_path
外,所有设置都需要使用 s3queue_
前缀。
引擎参数
S3Queue
的参数与 S3
表引擎支持的参数相同。有关参数部分,请参见 此处。
示例
使用命名集合:
设置
要获取已为表配置的设置列表,请使用 system.s3_queue_settings
表。从 24.10
起可用。
mode
可能的值:
- unordered — 在无序模式下,已处理文件的集合通过 ZooKeeper 中的持久节点进行跟踪。
- ordered — 在有序模式下,文件按照字典顺序处理。这意味着,如果某个名为 'BBB' 的文件在某个时刻被处理,而稍后添加了一个名为 'AA' 的文件到存储桶,则该文件将被忽略。仅在 ZooKeeper 中存储成功消费的文件的最大名称(在字典序中的意义)和在不成功加载尝试后将重试的文件名称。
默认值:在版本 24.6 之前为 ordered
。从 24.6 开始没有默认值,该设置需要手动指定。对于在早期版本中创建的表,默认值将保持为 Ordered
以保持兼容性。
after_processing
成功处理后删除或保留文件。 可能的值:
- keep.
- delete.
默认值:keep
。
keeper_path
可以将 ZooKeeper 中的路径指定为表引擎设置,或者默认路径可以由全局配置提供的路径和表 UUID 形成。 可能的值:
- 字符串。
默认值:/
。
s3queue_loading_retries
重试文件加载的次数,最多指定次数。默认情况下,没有重试。 可能的值:
- 正整数。
默认值:0
。
s3queue_processing_threads_num
执行处理的线程数。仅适用于 Unordered
模式。
默认值:CPU 数量或 16。
s3queue_parallel_inserts
默认情况下,processing_threads_num
将产生一个 INSERT
,因此它只会下载文件并在多个线程中解析。
但是这限制了并行性,因此为获得更好的吞吐量使用 parallel_inserts=true
,这将允许并行插入数据(但请注意,这会导致为 MergeTree 系列生成更多的数据分区片段)。
INSERT
将根据 max_process*_before_commit
设置生成。
默认值:false
。
s3queue_enable_logging_to_s3queue_log
启用记录到 system.s3queue_log
。
默认值:0
。
s3queue_polling_min_timeout_ms
指定 ClickHouse 在进行下一个轮询尝试前等待的最小时间(以毫秒为单位)。
可能的值:
- 正整数。
默认值:1000
。
s3queue_polling_max_timeout_ms
定义 ClickHouse 在发起下一个轮询尝试前等待的最大时间(以毫秒为单位)。
可能的值:
- 正整数。
默认值:10000
。
s3queue_polling_backoff_ms
确定在未找到新文件时添加到上一个轮询间隔的额外等待时间。下一个轮询将在前一个间隔和此退避值的总和、或最大间隔中较小者之后发生。
可能的值:
- 正整数。
默认值:0
。
s3queue_tracked_files_limit
允许在使用 'unordered' 模式时限制 ZooKeeper 节点的数量,在 'ordered' 模式下无效。 如果达到限制,ZooKeeper 节点中最旧的已处理文件将被删除并重新处理。
可能的值:
- 正整数。
默认值:1000
。
s3queue_tracked_file_ttl_sec
在 ZooKeeper 节点中存储已处理文件的最大秒数(默认为永久存储),在 'unordered' 模式下有效,在 'ordered' 模式下无效。 在指定的秒数后,文件将被重新导入。
可能的值:
- 正整数。
默认值:0
。
s3queue_cleanup_interval_min_ms
针对 'Ordered' 模式。定义一个最小边界,用于重新调度后台任务的间隔,该任务负责维护已追踪文件的 TTL 和最大追踪文件集。
默认值:10000
。
s3queue_cleanup_interval_max_ms
针对 'Ordered' 模式。定义一个最大边界,用于重新调度后台任务的间隔,该任务负责维护已追踪文件的 TTL 和最大追踪文件集。
默认值:30000
。
s3queue_buckets
针对 'Ordered' 模式。从 24.6
开始可用。如果有多个 S3Queue 表的副本,每个副本使用相同的元数据目录在 keeper 中工作,则 s3queue_buckets
的值至少需要等于副本的数量。如果还使用 s3queue_processing_threads
设置,则进一步增加 s3queue_buckets
的值是有意义的,因为它定义了 S3Queue
处理的实际并行性。
与 S3 相关的设置
引擎支持所有与 S3 相关的设置。有关 S3 设置的更多信息,请参见 此处。
S3 基于角色的访问
S3 Role-Based Access is available in the Scale and Enterprise plans. To upgrade, visit the Plans page in the cloud console.
s3Queue 表引擎支持基于角色的访问。 有关为访问存储桶配置角色的步骤,请参阅文档 此处。
角色配置完成后,可以通过 extra_credentials
参数传递 roleARN
,如下所示:
S3Queue 有序模式
S3Queue
处理模式允许在 ZooKeeper 中存储更少的元数据,但有一个限制:稍后按时间添加的文件需要具有字母数字更大的名称。
S3Queue
ordered
模式和 unordered
一样,支持 (s3queue_)processing_threads_num
设置(s3queue_
前缀是可选的),它允许控制将在服务器本地处理 S3
文件的线程数。此外,ordered
模式还引入了另一个名为 (s3queue_)buckets
的设置,表示“逻辑线程”。这意味着在分布式场景中,当有多个服务器与 S3Queue
表副本时,该设置定义处理单元的数量。例如,每个 S3Queue
副本上的每个处理线程将尝试锁定某个用于处理的 bucket
,每个 bucket
通过文件名的哈希关联到特定文件。因此,在分布式场景中,强烈建议将 (s3queue_)buckets
设置至少等于或大于副本的数量。设置的桶数量可以大于副本的数量,最优的情况是 (s3queue_)buckets
设置等于 number_of_replicas
和 (s3queue_)processing_threads_num
的乘积。
不推荐在 24.6
版本之前使用 (s3queue_)processing_threads_num
设置。
(s3queue_)buckets
设置从 24.6
版本开始可用。
描述
SELECT
对于流式导入并不是特别有用(除了调试),因为每个文件只能导入一次。实际更为的方式是使用 物化视图 创建实时线程。为此:
- 使用引擎创建一个用于从 S3 中指定路径消费的表,并将其视为数据流。
- 创建一个具有所需结构的表。
- 创建一个物化视图,以将引擎中的数据转换并放入之前创建的表中。
当 MATERIALIZED VIEW
连接引擎时,它会在后台开始收集数据。
示例:
虚拟列
_path
— 文件路径。_file
— 文件名称。
有关虚拟列的更多信息,请参见 此处。
路径中的通配符
path
参数可以使用类 bash 通配符指定多个文件。要被处理,文件必须存在并匹配整个路径模式。文件列出在 SELECT
时确定(而不是在 CREATE
时)。
*
— 替代任意数量的任何字符,但不包括/
,包括空字符串。**
— 替代任意数量的任何字符,包括/
,包括空字符串。?
— 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'
中的任何一个。{N..M}
— 替代表 N 到 M 范围内的任何数字,包括两个边界。N 和 M 可以有前导零,例如000..078
。
带有 {}
的结构类似于 remote 表函数。
限制
- 重复行可能是由于:
-
在文件处理的中间发生异常解析,并通过
s3queue_loading_retries
启用重试; -
在多个服务器上配置
S3Queue
指向相同的路径,且 ZooKeeper 中的 keeper 会话在一个服务器完成已处理文件提交之前到期,这可能导致另一个服务器开始处理该文件,而前一个服务器可能已经部分或全部处理了该文件; -
异常服务器终止。
- 如果在多个服务器上配置
S3Queue
指向相同的路径并使用Ordered
模式,则s3queue_loading_retries
将无法工作。这个问题很快会被修复。
反向检查
要进行反向检查,请使用 system.s3queue
无状态表和 system.s3queue_log
持久表。
system.s3queue
。该表不是持久的,展示S3Queue
的内存状态:当前正在处理的文件、已处理的文件和失败的文件。
示例:
system.s3queue_log
。持久表。具有与system.s3queue
相同的信息,但针对processed
和failed
文件。
该表具有以下结构:
为了使用 system.s3queue_log
,在服务器配置文件中定义其配置:
示例: