mirror of
https://github.com/alibaba/DataX.git
synced 2025-05-03 05:31:05 +08:00
341 lines
8.9 KiB
Markdown
341 lines
8.9 KiB
Markdown
# DataX OSSReader 说明
|
||
|
||
|
||
------------
|
||
|
||
## 1 快速介绍
|
||
|
||
OSSReader提供了读取OSS数据存储的能力。在底层实现上，OSSReader使用OSS官方Java SDK获取OSS数据，并转换为DataX传输协议传递给Writer。
|
||
|
||
* OSS 产品介绍, 参看[[阿里云OSS Portal](http://www.aliyun.com/product/oss)]
|
||
* OSS Java SDK, 参看[[阿里云OSS Java SDK](http://oss.aliyuncs.com/aliyun_portal_storage/help/oss/OSS_Java_SDK_Dev_Guide_20141113.pdf)]
|
||
|
||
## 2 功能与限制
|
||
|
||
OSSReader实现了从OSS读取数据并转为DataX协议的功能，OSS本身是无结构化数据存储，对于DataX而言，OSSReader实现上类比TxtFileReader，有诸多相似之处。目前OSSReader支持功能如下：
|
||
|
||
1. 支持且仅支持读取TXT的文件，且要求TXT中shema为一张二维表。
|
||
|
||
2. 支持类CSV格式文件，自定义分隔符。
|
||
|
||
3. 支持多种类型数据读取(使用String表示)，支持列裁剪，支持列常量
|
||
|
||
4. 支持递归读取、支持文件名过滤。
|
||
|
||
5. 支持文本压缩，现有压缩格式为zip、gzip、bzip2。注意，一个压缩包不允许多文件打包压缩。
|
||
|
||
6. 多个object可以支持并发读取。
|
||
|
||
7. 支持读取 parquet orc 文件
|
||
|
||
我们暂时不能做到：
|
||
|
||
1. 单个Object(File)支持多线程并发读取，这里涉及到单个Object内部切分算法。二期考虑支持。
|
||
|
||
2. 单个Object在压缩情况下，从技术上无法支持多线程并发读取。
|
||
|
||
|
||
## 3 功能说明
|
||
|
||
|
||
### 3.1 配置样例
|
||
读取 txt, csv 格式样例
|
||
```json
|
||
{
|
||
"job": {
|
||
"setting": {},
|
||
"content": [
|
||
{
|
||
"reader": {
|
||
"name": "ossreader",
|
||
"parameter": {
|
||
"endpoint": "http://oss.aliyuncs.com",
|
||
"accessId": "",
|
||
"accessKey": "",
|
||
"bucket": "myBucket",
|
||
"object": [
|
||
"bazhen/*"
|
||
],
|
||
"column": [
|
||
{
|
||
"type": "long",
|
||
"index": 0
|
||
},
|
||
{
|
||
"type": "string",
|
||
"value": "alibaba"
|
||
},
|
||
{
|
||
"type": "date",
|
||
"index": 1,
|
||
"format": "yyyy-MM-dd"
|
||
}
|
||
],
|
||
"encoding": "UTF-8",
|
||
"fieldDelimiter": "\t",
|
||
"compress": "gzip"
|
||
}
|
||
},
|
||
"writer": {}
|
||
}
|
||
]
|
||
}
|
||
}
|
||
```
|
||
读取 orc 格式样例
|
||
```json
|
||
{
|
||
"stepType": "oss",
|
||
"parameter": {
|
||
"endpoint": "http://oss.aliyuncs.com",
|
||
"accessId": "",
|
||
"accessKey": "",
|
||
"bucket": "myBucket",
|
||
"fileFormat": "orc",
|
||
"path": "/tests/case61/orc__691b6815_9260_4037_9899_****",
|
||
"column": [
|
||
{
|
||
"index": 0,
|
||
"type": "long"
|
||
},
|
||
{
|
||
"index": "1",
|
||
"type": "string"
|
||
},
|
||
{
|
||
"index": "2",
|
||
"type": "string"
|
||
}
|
||
]
|
||
}
|
||
}
|
||
```
|
||
读取 parquet 格式样例
|
||
```json
|
||
{
|
||
"stepType": "oss",
|
||
"parameter": {
|
||
"endpoint": "http://oss.aliyuncs.com",
|
||
"accessId": "",
|
||
"accessKey": "",
|
||
"bucket": "myBucket",
|
||
"fileFormat": "parquet",
|
||
"path": "/parquet",
|
||
"parquetSchema":"message m { optional BINARY registration_dttm (UTF8); optional Int64 id; optional BINARY first_name (UTF8); optional BINARY last_name (UTF8); optional BINARY email (UTF8); optional BINARY gender (UTF8); optional BINARY ip_address (UTF8); optional BINARY cc (UTF8); optional BINARY country (UTF8); optional BINARY birthdate (UTF8); optional DOUBLE salary; optional BINARY title (UTF8); optional BINARY comments (UTF8); }",
|
||
"column": [
|
||
{
|
||
"index": 0,
|
||
"type": "long"
|
||
},
|
||
{
|
||
"index": "1",
|
||
"type": "string"
|
||
},
|
||
{
|
||
"index": "2",
|
||
"type": "string"
|
||
}
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
### 3.2 参数说明
|
||
|
||
* **endpoint**
|
||
|
||
* 描述：OSS Server的EndPoint地址，例如http://oss.aliyuncs.com。
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
* **accessId**
|
||
|
||
* 描述：OSS的accessId <br />
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
* **accessKey**
|
||
|
||
* 描述：OSS的accessKey <br />
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
* **bucket**
|
||
|
||
* 描述：OSS的bucket <br />
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
* **object**
|
||
|
||
* 描述：OSS的object信息，注意这里可以支持填写多个Object。 <br />
|
||
|
||
当指定单个OSS Object，OSSReader暂时只能使用单线程进行数据抽取。二期考虑在非压缩文件情况下针对单个Object可以进行多线程并发读取。
|
||
|
||
当指定多个OSS Object，OSSReader支持使用多线程进行数据抽取。线程并发数通过通道数指定。
|
||
|
||
当指定通配符，OSSReader尝试遍历出多个Object信息。例如: 指定/*代表读取bucket下游所有的Object，指定/bazhen/\*代表读取bazhen目录下游所有的Object。
|
||
|
||
**特别需要注意的是，DataX会将一个作业下同步的所有Object视作同一张数据表。用户必须自己保证所有的Object能够适配同一套schema信息。**
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
* **column**
|
||
|
||
* 描述：读取字段列表，type指定源数据的类型，index指定当前列来自于文本第几列(以0开始)，value指定当前类型为常量，不从源头文件读取数据，而是根据value值自动生成对应的列。 <br />
|
||
|
||
默认情况下，用户可以全部按照String类型读取数据，配置如下：
|
||
|
||
```json
|
||
"column": ["*"]
|
||
```
|
||
|
||
用户可以指定Column字段信息，配置如下：
|
||
|
||
```json
|
||
{
|
||
"type": "long",
|
||
"index": 0 //从OSS文本第一列获取int字段
|
||
},
|
||
{
|
||
"type": "string",
|
||
"value": "alibaba" //从OSSReader内部生成alibaba的字符串字段作为当前字段
|
||
}
|
||
```
|
||
|
||
对于用户指定Column信息，type必须填写，index/value必须选择其一。
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：全部按照string类型读取 <br />
|
||
|
||
* **fieldDelimiter**
|
||
|
||
* 描述：读取的字段分隔符 <br />
|
||
|
||
* 必选：是 <br />
|
||
|
||
* 默认值：, <br />
|
||
|
||
* **compress**
|
||
|
||
* 描述：文本压缩类型，默认不填写意味着没有压缩。支持压缩类型为zip、gzip、bzip2。 <br />
|
||
|
||
* 必选：否 <br />
|
||
|
||
* 默认值：不压缩 <br />
|
||
|
||
* **encoding**
|
||
|
||
* 描述：读取文件的编码配置，目前只支持utf-8/gbk。<br />
|
||
|
||
* 必选：否 <br />
|
||
|
||
* 默认值：utf-8 <br />
|
||
|
||
* **nullFormat**
|
||
|
||
* 描述：文本文件中无法使用标准字符串定义null(空指针)，DataX提供nullFormat定义哪些字符串可以表示为null。<br />
|
||
|
||
例如如果用户配置: nullFormat="\N"，那么如果源头数据是"\N"，DataX视作null字段。
|
||
|
||
* 必选：否 <br />
|
||
|
||
* 默认值：\N <br />
|
||
|
||
* **skipHeader**
|
||
|
||
* 描述：类CSV格式文件可能存在表头为标题情况，需要跳过。默认不跳过。<br />
|
||
|
||
* 必选：否 <br />
|
||
|
||
* 默认值：false <br />
|
||
|
||
|
||
* **csvReaderConfig**
|
||
|
||
* 描述：读取CSV类型文件参数配置，Map类型。读取CSV类型文件使用的CsvReader进行读取，会有很多配置，不配置则使用默认值。<br />
|
||
|
||
* 必选：否 <br />
|
||
|
||
* 默认值：无 <br />
|
||
|
||
|
||
常见配置：
|
||
|
||
```json
|
||
"csvReaderConfig":{
|
||
"safetySwitch": false,
|
||
"skipEmptyRecords": false,
|
||
"useTextQualifier": false
|
||
}
|
||
```
|
||
|
||
所有配置项及默认值,配置时 csvReaderConfig 的map中请**严格按照以下字段名字进行配置**：
|
||
|
||
```
|
||
boolean caseSensitive = true;
|
||
char textQualifier = 34;
|
||
boolean trimWhitespace = true;
|
||
boolean useTextQualifier = true;//是否使用csv转义字符
|
||
char delimiter = 44;//分隔符
|
||
char recordDelimiter = 0;
|
||
char comment = 35;
|
||
boolean useComments = false;
|
||
int escapeMode = 1;
|
||
boolean safetySwitch = true;//单列长度是否限制100000字符
|
||
boolean skipEmptyRecords = true;//是否跳过空行
|
||
boolean captureRawRecord = true;
|
||
```
|
||
|
||
|
||
### 3.3 类型转换
|
||
|
||
|
||
OSS本身不提供数据类型，该类型是DataX OSSReader定义：
|
||
|
||
| DataX 内部类型| OSS 数据类型 |
|
||
| -------- | ----- |
|
||
| Long |Long |
|
||
| Double |Double|
|
||
| String |String|
|
||
| Boolean |Boolean |
|
||
| Date |Date |
|
||
|
||
其中：
|
||
|
||
* OSS Long是指OSS文本中使用整形的字符串表示形式，例如"19901219"。
|
||
* OSS Double是指OSS文本中使用Double的字符串表示形式，例如"3.1415"。
|
||
* OSS Boolean是指OSS文本中使用Boolean的字符串表示形式，例如"true"、"false"。不区分大小写。
|
||
* OSS Date是指OSS文本中使用Date的字符串表示形式，例如"2014-12-31"，Date可以指定format格式。
|
||
|
||
## 4 性能报告
|
||
|
||
|并发数|DataX 流量|Datax 记录数|
|
||
|--------|--------| --------|
|
||
|1| 971.40KB/s |10047rec/s |
|
||
|2| 1.81MB/s | 19181rec/s |
|
||
|4| 3.46MB/s| 36695rec/s |
|
||
|8| 6.57MB/s | 69289 records/s |
|
||
|16|7.92MB/s| 83920 records/s|
|
||
|32|7.87MB/s| 83350 records/s|
|
||
|
||
## 5 约束限制
|
||
|
||
略
|
||
|
||
## 6 FAQ
|
||
|
||
略
|
||
|