食谱数据集

The RecipeNLG 数据集可以从 这里 下载。它包含 220 万个食谱，大小略少于 1 GB。

下载并解压数据集

1. 访问下载页面 https://recipenlg.cs.put.poznan.pl/dataset。
2. 接受条款和条件并下载 zip 文件。
3. 选项：使用 md5sum dataset.zip 验证 zip 文件，结果应为 3a168dfd0912bb034225619b3586ce76。
4. 使用 unzip dataset.zip 解压 zip 文件。您将在 dataset 目录中获得 full_dataset.csv 文件。

创建表

运行 clickhouse-client 并执行以下 CREATE 查询：

插入数据

运行以下命令：

这是一个解析自定义 CSV 的示例，因为它需要多次调整。

解释：

• 数据集采用 CSV 格式，但在插入时需要进行一些预处理；我们使用表函数 input 来执行预处理；
• CSV 文件的结构在表函数 input 的参数中指定；
• 字段 num（行号）是多余的 - 我们从文件中解析它并忽略；
• 我们使用 FORMAT CSVWithNames 但 CSV 中的表头将被忽略（通过命令行参数 --input_format_with_names_use_header 0），因为表头不包含第一个字段的名称；
• 文件仅使用双引号来括起 CSV 字符串；一些字符串未使用双引号括起，单引号不得被解析为字符串括起 - 这就是我们添加 --format_csv_allow_single_quote 0 参数的原因；
• CSV 中的一些字符串无法解析，因为它们的值开头包含 \M/ 序列；在 CSV 中唯一可以以反斜杠开头的值是 \N，它被解析为 SQL NULL。我们添加 --input_format_allow_errors_num 10 参数，最多可以跳过十条格式不正确的记录；
• 对于配料、方向和 NER 字段，有数组；这些数组以不寻常的形式表示：它们被序列化为字符串形式的 JSON，然后放置在 CSV 中 - 我们将它们解析为字符串，然后使用 JSONExtract 函数将其转换为数组。

验证插入的数据

通过检查行数：

查询：

结果：

示例查询

按食谱数量查看顶级成分

在这个例子中，我们学习如何使用 arrayJoin 函数将数组扩展为一组行。

查询：

结果：

最复杂的草莓食谱

结果：

在此示例中，我们使用 has 函数按数组元素筛选并按步骤数量排序。

有一个婚礼蛋糕需要 126 个步骤才能制作完成！显示这些步骤：

查询：

结果：

在线游乐场

数据集也可以在 在线游乐场 中找到。