列的映射、转换与过滤

Doris 支持丰富的列映射、转换和过滤操作。可以非常灵活的处理需要导入的原始数据。

本文档主要介绍如何在导入中使用这些功能。

总体介绍

Doris 在导入过程中对数据处理步骤分为以下几步：

1. 数据按原始文件中的列的顺序读入到 Doris
2. 通过前置过滤条件（PRECEDING FILTER）对原始数据进行一次过滤。
3. 通过列映射和转换，将原始数据映射到目标列顺序。
4. 通过后置过滤条件（WHERE）对转换后的数据在进行一次过滤。
5. 写入最终数据。

列的映射、转换和过滤参数在导入作业中皆为可选操作。在默认空缺的情况下，Doris 会将源文件中的行按默认的列分割符 \t 分割后，按顺序对应到表中的列。如果源文件中的列数量和表中的列数量不匹配，则会产生数据质量问题，导致数据无法导入。此时则需要显式的描述列的映射、转换和过滤信息。

支持的导入方式

• BROKER LOAD

  LOAD LABEL example_db.label1
  (
      DATA INFILE("bos://bucket/input/file")
      INTO TABLE `my_table`
      (k1, k2, tmpk3)
      PRECEDING FILTER k1 = 1
      SET (
          k3 = tmpk3 + 1
      )
      WHERE k1 > k2
  )
  WITH BROKER bos
  (
      ...
  );

• STREAM LOAD

  curl
  --location-trusted
  -u user:passwd
  -H "columns: k1, k2, tmpk3, k3 = tmpk3 + 1"
  -H "where: k1 > k2"
  -T file.txt
  http://host:port/api/testDb/testTbl/_stream_load

• ROUTINE LOAD

  CREATE ROUTINE LOAD example_db.label1 ON my_table
  COLUMNS(k1, k2, tmpk3, k3 = tmpk3 + 1),
  PRECEDING FILTER k1 = 1,
  WHERE k1 > k2
  ...

以上导入方式都支持对源数据进行列映射、转换和过滤操作：

• 前置过滤：对读取到的原始数据进行一次过滤。

  PRECEDING FILTER k1 = 1

• 映射：定义源数据中的列。如果定义的列名和表中的列相同，则直接映射为表中的列。如果不同，则这个被定义的列可以用于之后的转换操作。如上面示例中的：

  (k1, k2, tmpk3)

• 转换：将第一步中经过映射的列进行转换，可以使用内置表达式、函数、自定义函数进行转化，并重新映射到表中对应的列上。如上面示例中的：

  k3 = tmpk3 + 1

• 后置过滤：对经过映射和转换后的列，通过表达式进行过滤。被过滤的数据行不会导入到系统中。如上面示例中的：

  WHERE k1 > k2

列映射

列映射的目的主要是描述导入文件中各个列的信息，相当于为源数据中的列定义名称。通过描述列映射关系，我们可以将于表中列顺序不同、列数量不同的源文件导入到 Doris 中。下面我们通过示例说明：

假设源文件有4列，内容如下（表头列名仅为方便表述，实际并无表头）：

注：\N 在源文件中表示 null。

1. 调整映射顺序

   假设表中有 k1,k2,k3,k4 4列。我们希望的导入映射关系如下：

   列1 -> k1
   列2 -> k3
   列3 -> k2
   列4 -> k4

   则列映射的书写顺序应如下：

   (k1, k3, k2, k4)

2. 源文件中的列数量多于表中的列

   假设表中有 k1,k2,k3 3列。我们希望的导入映射关系如下：

   列1 -> k1
   列2 -> k3
   列3 -> k2

   则列映射的书写顺序应如下：

   (k1, k3, k2, tmpk4)

   其中 tmpk4 为一个自定义的、表中不存在的列名。Doris 会忽略这个不存在的列名。

3. 源文件中的列数量少于表中的列，使用默认值填充

   假设表中有 k1,k2,k3,k4,k5 5列。我们希望的导入映射关系如下：

   列1 -> k1
   列2 -> k3
   列3 -> k2

   这里我们仅使用源文件中的前3列。k4,k5 两列希望使用默认值填充。

   则列映射的书写顺序应如下：

   (k1, k3, k2)

   如果 k4,k5 列有默认值，则会填充默认值。否则如果是 nullable 的列，则会填充 null 值。否则，导入作业会报错。

列前置过滤

前置过滤是对读取到的原始数据进行一次过滤。目前仅支持 BROKER LOAD 和 ROUTINE LOAD。

前置过滤有以下应用场景：

1. 转换前做过滤

   希望在列映射和转换前做过滤的场景。能够先行过滤掉部分不需要的数据。

2. 过滤列不存在于表中，仅作为过滤标识

   比如源数据中存储了多张表的数据（或者多张表的数据写入了同一个 Kafka 消息队列）。数据中每行有一列表名来标识该行数据属于哪个表。用户可以通过前置过滤条件来筛选对应的表数据进行导入。

列转换

列转换功能允许用户对源文件中列值进行变换。目前 Doris 支持使用绝大部分内置函数、用户自定义函数进行转换。

注：自定义函数隶属于某一数据库下，在使用自定义函数进行转换时，需要用户对这个数据库有读权限。

转换操作通常是和列映射一起定义的。即先对列进行映射，再进行转换。下面我们通过示例说明：

假设源文件有4列，内容如下（表头列名仅为方便表述，实际并无表头）：

1. 将源文件中的列值经转换后导入表中

   假设表中有 k1,k2,k3,k4 4列。我们希望的导入映射和转换关系如下：

   列1       -> k1
   列2 * 100 -> k3
   列3       -> k2
   列4       -> k4

   则列映射的书写顺序应如下：

   (k1, tmpk3, k2, k4, k3 = tmpk3 * 100)

   这里相当于我们将源文件中的第2列命名为 tmpk3，同时指定表中 k3 列的值为 tmpk3 * 100。最终表中的数据如下：

   k1	k2	k3	k4
   1	beijing	10000	1.1
   2	shanghai	20000	1.2
   3	guangzhou	30000	1.3
   null	chongqing	40000	1.4

2. 通过 case when 函数，有条件的进行列转换。

   假设表中有 k1,k2,k3,k4 4列。我们希望对于源数据中的 beijing, shanghai, guangzhou, chongqing 分别转换为对应的地区id后导入：

   列1                  -> k1
   列2                  -> k2
   列3 进行地区id转换后    -> k3
   列4                  -> k4

   则列映射的书写顺序应如下：

   (k1, k2, tmpk3, k4, k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)

   最终表中的数据如下：

   k1	k2	k3	k4
   1	100	1	1.1
   2	200	2	1.2
   3	300	3	1.3
   null	400	4	1.4

3. 将源文件中的 null 值转换成 0 导入。同时也进行示例2中的地区id转换。

   假设表中有 k1,k2,k3,k4 4列。在对地区id转换的同时，我们也希望对于源数据中 k1 列的 null 值转换成 0 导入：

   列1 如果为null 则转换成0   -> k1
   列2                      -> k2
   列3                      -> k3
   列4                      -> k4

   则列映射的书写顺序应如下：

   (tmpk1, k2, tmpk3, k4, k1 = ifnull(tmpk1, 0), k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)

   最终表中的数据如下：

   k1	k2	k3	k4
   1	100	1	1.1
   2	200	2	1.2
   3	300	3	1.3
   0	400	4	1.4

列过滤

经过列映射和转换后，我们可以通过过滤条件将不希望导入到Doris中的数据进行过滤。下面我们通过示例说明：

假设源文件有4列，内容如下（表头列名仅为方便表述，实际并无表头）：

1. 在列映射和转换缺省的情况下，直接过滤

   假设表中有 k1,k2,k3,k4 4列。我们可以在缺省列映射和转换的情况下，直接定义过滤条件。如我们希望只导入源文件中第4列为大于 1.2 的数据行，则过滤条件如下：

   where k4 > 1.2

   最终表中的数据如下：

   k1	k2	k3	k4
   3	300	guangzhou	1.3
   null	400	chongqing	1.4

   缺省情况下，Doris 会按照顺序进行列映射，因此源文件中的第4列自动被映射到表中的 k4 列。

2. 对经过列转换的数据进行过滤

   假设表中有 k1,k2,k3,k4 4列。在 列转换 示例中，我们将省份名称转换成了id。这里我们想过滤掉 id 为 3 的数据。则转换、过滤条件如下：

   (k1, k2, tmpk3, k4, k3 = case tmpk3 when "beijing" then 1 when "shanghai" then 2 when "guangzhou" then 3 when "chongqing" then 4 else null end)
   where k3 != 3

   最终表中的数据如下：

   k1	k2	k3	k4
   1	100	1	1.1
   2	200	2	1.2
   null	400	4	1.4

   这里我们看到，执行过滤时的列值，为经过映射和转换后的最终列值，而不是原始数据。

3. 多条件过滤

   假设表中有 k1,k2,k3,k4 4列。我们想过滤掉 k1 列为 null 的数据，同时过滤掉 k4 列小于 1.2 的数据，则过滤条件如下：

   where k1 is null and k4 < 1.2

   最终表中的数据如下：

   k1	k2	k3	k4
   2	200	2	1.2
   3	300	3	1.3

数据质量问题和过滤阈值

导入作业中被处理的数据行可以分为如下三种：

1. Filtered Rows

   因数据质量不合格而被过滤掉的数据。数据质量不合格包括类型错误、精度错误、字符串长度超长、文件列数不匹配等数据格式问题，以及因没有对应的分区而被过滤掉的数据行。

2. Unselected Rows

   这部分为因 preceding filter 或 where 列过滤条件而被过滤掉的数据行。

3. Loaded Rows

   被正确导入的数据行。

Doris 的导入任务允许用户设置最大错误率（max_filter_ratio）。如果导入的数据的错误率低于阈值，则这些错误行将被忽略，其他正确的数据将被导入。

错误率的计算方式为：

#Filtered Rows / (#Filtered Rows + #Loaded Rows)

也就是说 Unselected Rows 不会参与错误率的计算。