diff --git a/DataIngestion/dataformats.md b/DataIngestion/dataformats.md index b23db7d..2bb421b 100644 --- a/DataIngestion/dataformats.md +++ b/DataIngestion/dataformats.md @@ -120,7 +120,7 @@ TSV `inputFormat` 有以下组件： #### ORC > [!WARNING] -> 使用ORC输入格式之前，首先需要包含 [druid-core-extensions](../Development/orc-extensions.md) +> 使用ORC输入格式之前，首先需要包含 [druid-orc-extensions](../Development/orc-extensions.md) > [!WARNING] > 如果您正在考虑从早于0.15.0的版本升级到0.15.0或更高版本，请仔细阅读 [从contrib扩展的迁移](../Development/orc-extensions.md#从contrib扩展迁移)。 @@ -148,8 +148,118 @@ TSV `inputFormat` 有以下组件： ORC `inputFormat` 有以下组件： +| 字段 | 类型 | 描述 | 是否必填 | +|-|-|-|-| +| type | String | 填 `orc` | 是 | +| flattenSpec | JSON对象 | 指定嵌套JSON数据的展平配置。更多信息请参见[flattenSpec](#flattenspec) | 否 | +| binaryAsString | 布尔类型 | 指定逻辑上未标记为字符串的二进制orc列是否应被视为UTF-8编码字符串。 | 否（默认为false） | + #### Parquet + +> [!WARNING] +> 使用Parquet输入格式之前，首先需要包含 [druid-parquet-extensions](../Development/parquet-extensions.md) + +一个加载Parquet格式数据的 `inputFormat` 示例： +``` +"ioConfig": { + "inputFormat": { + "type": "parquet", + "flattenSpec": { + "useFieldDiscovery": true, + "fields": [ + { + "type": "path", + "name": "nested", + "expr": "$.path.to.nested" + } + ] + } + "binaryAsString": false + }, + ... +} +``` + +Parquet `inputFormat` 有以下组件： + +| 字段 | 类型 | 描述 | 是否必填 | +|-|-|-|-| +| type | String | 填 `parquet` | 是 | +| flattenSpec | JSON对象 | 定义一个 [flattenSpec](#flattenspec) 从Parquet文件提取嵌套的值。注意，只支持"path"表达式（'jq'不可用）| 否（默认自动发现根级别的属性） | +| binaryAsString | 布尔类型 | 指定逻辑上未标记为字符串的二进制orc列是否应被视为UTF-8编码字符串。 | 否（默认为false） | + #### FlattenSpec + +`flattenSpec` 位于 `inputFormat` -> `flattenSpec` 中，负责将潜在的嵌套输入数据（如JSON、Avro等）和Druid的平面数据模型之间架起桥梁。 `flattenSpec` 示例如下： +``` +"flattenSpec": { + "useFieldDiscovery": true, + "fields": [ + { "name": "baz", "type": "root" }, + { "name": "foo_bar", "type": "path", "expr": "$.foo.bar" }, + { "name": "first_food", "type": "jq", "expr": ".thing.food[1]" } + ] +} +``` +> [!WARNING] +> 概念上，输入数据被读取后，Druid会以一个特定的顺序来对数据应用摄入规范： 首先 `flattenSpec`(如果有)，然后 `timestampSpec`, 然后 `transformSpec` ,最后是 `dimensionsSpec` 和 `metricsSpec`。在编写摄入规范时需要牢记这一点 + +展平操作仅仅支持嵌套的 [数据格式](dataformats.md), 包括：`avro`, `json`, `orc` 和 `parquet`。 + +`flattenSpec` 有以下组件： + +| 字段 | 描述 | 默认值 | +|-|-|-| +| useFieldDiscovery | 如果为true，则将所有根级字段解释为可用字段，供 [`timestampSpec`](../DataIngestion/ingestion.md#timestampSpec)、[`transformSpec`](../DataIngestion/ingestion.md#transformSpec)、[`dimensionsSpec`](../DataIngestion/ingestion.md#dimensionsSpec) 和 [`metricsSpec`](../DataIngestion/ingestion.md#metricsSpec) 使用。

如果为false，则只有显式指定的字段（请参阅 `fields`）才可供使用。 | true | +| fields | 指定感兴趣的字段及其访问方式, 详细请见下边 | `[]` | + +**字段展平规范** + +`fields` 列表中的每个条目都可以包含以下组件： + + + + + + + + + + + + + + + + + + + + + + + + + + +
字段描述默认值
type + 可选项如下： +
    +
  • root, 引用记录根级别的字段。只有当useFieldDiscovery 为false时才真正有用。
    • +
  • path, 引用使用 JsonPath 表示法的字段，支持大多数提供嵌套的数据格式，包括avro,csv, json 和 parquet
    • +
  • jq, 引用使用 jackson-jq 表示法的字段， 仅仅支持json格式
    • +
+ 		none(必填)
name展平后的字段名称。这个名称可以被timestampSpec, transformSpec, dimensionsSpec和metricsSpec引用none(必填)
expr用于在展平时访问字段的表达式。对于类型 `path`，这应该是 JsonPath。对于 `jq` 类型，这应该是 jackson-jq 表达式。对于其他类型，将忽略此参数。none(对于 `path` 和 `jq` 类型的为必填)
+ +**展平操作的注意事项** + +* 为了方便起见，在定义根级字段时，可以只将字段名定义为字符串，而不是JSON对象。例如 `{"name": "baz", "type": "root"}` 等价于 `baz` +* 启用 `useFieldDiscovery` 只会在根级别自动检测与Druid支持的数据类型相对应的"简单"字段, 这包括字符串、数字和字符串或数字列表。不会自动检测到其他类型，其他类型必须在 `fields` 列表中显式指定 +* 不允许重复字段名（`name`）, 否则将引发异常 +* 如果启用 `useFieldDiscovery`，则将跳过与字段列表中已定义的字段同名的任何已发现字段，而不是添加两次 +* [http://jsonpath.herokuapp.com/](http://jsonpath.herokuapp.com/) 对于测试 `path`-类型表达式非常有用 +* jackson jq支持完整 [`jq`](https://stedolan.github.io/jq/)语法的一个子集。有关详细信息，请参阅 [jackson jq](https://github.com/eiiches/jackson-jq) 文档 + ### Parser #### String Parser #### Avro Hadoop Parser diff --git a/Development/parquet-extensions.md b/Development/parquet-extensions.md new file mode 100644 index 0000000..1eef3b8 --- /dev/null +++ b/Development/parquet-extensions.md @@ -0,0 +1 @@ + \ No newline at end of file