Parquet
输入 | 输出 | 别名 |
---|---|---|
✔ | ✔ |
描述
Apache Parquet 是一种在 Hadoop 生态系统中广泛使用的列式存储格式。ClickHouse 支持这种格式的读写操作。
数据类型匹配
下表显示了支持的数据类型以及它们在 INSERT
和 SELECT
查询中与 ClickHouse 数据类型 的对应关系。
Parquet 数据类型 (INSERT ) | ClickHouse 数据类型 | Parquet 数据类型 (SELECT ) |
---|---|---|
BOOL | Bool | BOOL |
UINT8 , BOOL | UInt8 | UINT8 |
INT8 | Int8/Enum8 | INT8 |
UINT16 | UInt16 | UINT16 |
INT16 | Int16/Enum16 | INT16 |
UINT32 | UInt32 | UINT32 |
INT32 | Int32 | INT32 |
UINT64 | UInt64 | UINT64 |
INT64 | Int64 | INT64 |
FLOAT | Float32 | FLOAT |
DOUBLE | Float64 | DOUBLE |
DATE | Date32 | DATE |
TIME (ms) | DateTime | UINT32 |
TIMESTAMP , TIME (us, ns) | DateTime64 | TIMESTAMP |
STRING , BINARY | String | BINARY |
STRING , BINARY , FIXED_LENGTH_BYTE_ARRAY | FixedString | FIXED_LENGTH_BYTE_ARRAY |
DECIMAL | Decimal | DECIMAL |
LIST | Array | LIST |
STRUCT | Tuple | STRUCT |
MAP | Map | MAP |
UINT32 | IPv4 | UINT32 |
FIXED_LENGTH_BYTE_ARRAY , BINARY | IPv6 | FIXED_LENGTH_BYTE_ARRAY |
FIXED_LENGTH_BYTE_ARRAY , BINARY | Int128/UInt128/Int256/UInt256 | FIXED_LENGTH_BYTE_ARRAY |
数组可以是嵌套的,并且可以作为参数具有 Nullable
类型的值。Tuple
和 Map
类型也可以嵌套。
不支持的 Parquet 数据类型为:
FIXED_SIZE_BINARY
JSON
UUID
ENUM
。
ClickHouse 表列的数据类型可以与插入的 Parquet 数据对应字段不同。在插入数据时,ClickHouse 根据上表解释数据类型,然后 转换 为 ClickHouse 表列所设置的数据类型。
示例用法
插入与选择数据
您可以使用以下命令将 Parquet 数据从文件插入 ClickHouse 表中:
您可以使用以下命令从 ClickHouse 表中选择数据并将其保存为 Parquet 格式的某个文件:
要与 Hadoop 交换数据,您可以使用 HDFS 表引擎
。
格式设置
设置 | 描述 | 默认值 |
---|---|---|
input_format_parquet_case_insensitive_column_matching | 在将 Parquet 列与 CH 列匹配时忽略大小写。 | 0 |
input_format_parquet_preserve_order | 从 Parquet 文件读取时避免重新排序行。通常会使速度更慢。 | 0 |
input_format_parquet_filter_push_down | 在读取 Parquet 文件时,根据 WHERE/PREWHERE 表达式和 Parquet 元数据中的最小/最大统计信息跳过整个行组。 | 1 |
input_format_parquet_bloom_filter_push_down | 在读取 Parquet 文件时,根据 WHERE 表达式和 Parquet 元数据中的布隆过滤器跳过整个行组。 | 0 |
input_format_parquet_use_native_reader | 在读取 Parquet 文件时,使用本机读取器而非 arrow 读取器。 | 0 |
input_format_parquet_allow_missing_columns | 在读取 Parquet 输入格式时允许缺少列。 | 1 |
input_format_parquet_local_file_min_bytes_for_seek | 对于本地读取(文件),进行查找所需的最小字节,而非在 Parquet 输入格式中以忽略方式读取。 | 8192 |
input_format_parquet_enable_row_group_prefetch | 在 Parquet 解析期间启用行组预取。目前,只有单线程解析可以进行预取。 | 1 |
input_format_parquet_skip_columns_with_unsupported_types_in_schema_inference | 在对 Parquet 格式进行模式推断时,跳过具有不支持类型的列。 | 0 |
input_format_parquet_max_block_size | Parquet 读取器的最大块大小。 | 65409 |
input_format_parquet_prefer_block_bytes | Parquet 读取器输出的平均块字节数。 | 16744704 |
output_format_parquet_row_group_size | 行组中目标行数。 | 1000000 |
output_format_parquet_row_group_size_bytes | 压缩前目标行组字节数。 | 536870912 |
output_format_parquet_string_as_string | 对于字符串列,使用 Parquet 字符串类型而非二进制类型。 | 1 |
output_format_parquet_fixed_string_as_fixed_byte_array | 对于 FixedString 列,使用 Parquet FIXED_LENGTH_BYTE_ARRAY 类型而非二进制类型。 | 1 |
output_format_parquet_version | 输出格式的 Parquet 格式版本。支持的版本:1.0、2.4、2.6 和 2.latest(默认)。 | 2.latest |
output_format_parquet_compression_method | Parquet 输出格式的压缩方法。支持的编解码器:snappy、lz4、brotli、zstd、gzip、none(未压缩)。 | zstd |
output_format_parquet_compliant_nested_types | 在 Parquet 文件模式中,对于列表元素,使用名称 'element' 而非 'item'。这是 Arrow 库实现的历史遗留物。通常会增加兼容性,但可能与一些旧版本的 Arrow 不兼容。 | 1 |
output_format_parquet_use_custom_encoder | 使用更快的 Parquet 编码实现。 | 1 |
output_format_parquet_parallel_encoding | 在多个线程中进行 Parquet 编码。需要 output_format_parquet_use_custom_encoder 。 | 1 |
output_format_parquet_data_page_size | 压缩前的目标页面大小(以字节为单位)。 | 1048576 |
output_format_parquet_batch_size | 每个多少行检查页面大小。如果有平均值大小超过几 KB 的列,考虑减少此值。 | 1024 |
output_format_parquet_write_page_index | 添加将页面索引写入 Parquet 文件的可能性。 | 1 |
input_format_parquet_import_nested | 廖废设置,不做任何事情。 | 0 |