跳到主要内容
版本:Stable-3.1

CREATE ROUTINE LOAD

功能

Routine Load 支持持续消费 Apache Kafka® 的消息并导入至 StarRocks 中。Routine Load 支持 Kafka 中消息的格式为 CSV、JSON、Avro (自 v3.0.1),并且访问 Kafka 时,支持多种安全协议,包括 plaintextsslsasl_plaintextsasl_ssl

本文介绍 CREATE ROUTINE LOAD 的语法、参数说明和示例。

说明

  • Routine Load 的应用场景、基本原理和基本操作,请参见 使用 Routine Load 导入数据
  • Routine Load 操作需要目标表的 INSERT 权限。如果您的用户账号没有 INSERT 权限,请参考 GRANT 给用户赋权。

语法

CREATE ROUTINE LOAD <database_name>.<job_name> ON <table_name>
[load_properties]
[job_properties]
FROM data_source
[data_source_properties]

参数说明

database_namejob_nametable_name

database_name

选填,目标数据库的名称。

job_name

必填,导入作业的名称。一张表可能有多个导入作业,建议您利用具有辨识度的信息(例如 Kafka Topic 名称、创建导入作业的大致时间等)来设置具有意义的导入作业名称,用于区分多个导入作业。同一数据库内,导入作业的名称必须唯一。

table_name

必填,目标表的名称。

load_properties

选填。源数据的属性。语法:

[COLUMNS TERMINATED BY '<column_separator>'],
[ROWS TERMINATED BY '<row_separator>'],
[COLUMNS (<column1_name>[,<column2_name>,<column_assignment>,... ])],
[WHERE <expr>],
[PARTITION (<partition1_name>[,<partition2_name>,...])]
[TEMPORARY PARTITION (<temporary_partition1_name>[,<temporary_partition2_name>,...])]

如果导入 CSV 格式的数据,则可以指定列分隔符,默认为\t,即 Tab。例如可以输入 COLUMNS TERMINATED BY ","。指定列分隔符为逗号(,)。

说明

  • 必须确保这里指定的列分隔符与源数据中的列分隔符一致。
  • StarRocks 支持设置长度最大不超过 50 个字节的 UTF-8 编码字符串作为列分隔符,包括常见的逗号 (,)、Tab 和 Pipe (|)。
  • 空值 (null) 用 \N 表示。比如,源数据一共有三列,其中某行数据的第一列、第三列数据分别为 ab,第二列没有数据,则第二列需要用 \N 来表示空值,写作 a,\N,b,而不是 a,,ba,,b 表示第二列是一个空字符串。

ROWS TERMINATED BY

用于指定源数据中的行分隔符。如果不指定该参数,则默认为 \n

COLUMNS

源数据和目标表之间的列映射和转换关系。详细说明,请参见列映射和转换关系

  • column_name:映射列,源数据中这类列的值可以直接落入目标表的列中,不需要进行计算。
  • column_assignment:衍生列,格式为 column_name = expr,源数据中这类列的值需要基于表达式 expr 进行计算后,才能落入目标表的列中。 建议将衍生列排在映射列之后,因为 StarRocks 先解析映射列,再解析衍生列。

说明

以下情况不需要设置 COLUMNS 参数:

  • 待导入 CSV 数据中的列与目标表中列的数量和顺序一致。
  • 待导入 JSON 数据中的 Key 名与目标表中的列名一致。

WHERE

设置过滤条件,只有满足过滤条件的数据才会导入到 StarRocks 中。例如只希望导入 col1 大于 100 并且 col2 等于 1000 的数据行,则可以输入 WHERE col1 > 100 and col2 = 1000

说明

过滤条件中指定的列可以是源数据中本来就存在的列,也可以是基于源数据的列生成的衍生列。

PARTITION

将数据导入至目标表的指定分区中。如果不指定分区,则会将数据自动导入至其对应的分区中。 示例:

PARTITION(p1, p2, p3)

job_properties

必填。导入作业的属性。语法:

PROPERTIES ("<key1>" = "<value1>"[, "<key2>" = "<value2>" ...])

参数说明如下:

参数是否必选说明
desired_concurrent_number单个 Routine Load 导入作业的期望任务并发度,表示期望一个导入作业最多被分成多少个任务并行执行。默认值为 3。 但是实际任务并行度由如下多个参数组成的公式决定,并且实际任务并行度的上限为 BE 节点的数量或者消费分区的数量。min(alive_be_number, partition_number, desired_concurrent_number, max_routine_load_task_concurrent_num)
  • alive_be_number:存活的 BE 节点数量。
  • partition_number:消费分区数量。
  • desired_concurrent_number:单个Routine Load 导入作业的期望任务并发度。默认值为 3
  • max_routine_load_task_concurrent_num:Routine Load 导入作业的默认最大任务并行度,默认值为 5。该参数为 FE 动态参数
max_batch_interval任务的调度间隔,即任务多久执行一次。单位:秒。取值范围:560。默认值:10。建议取值为导入间隔 10s 以上,否则会因为导入频率过高可能会报错版本数过多。
max_batch_rows该参数只用于定义错误检测窗口范围,错误检测窗口范围为单个 Routine Load 导入任务所消费的 10 * max-batch-rows 行数据,默认为 10 * 200000 = 2000000。导入任务时会检测窗口中数据是否存在错误。错误数据是指 StarRocks 无法解析的数据,比如非法的 JSON。
max_error_number错误检测窗口范围内允许的数据行数的上限。当错误数据行数超过该值时,导入作业会暂停,此时您需要执行 SHOW ROUTINE LOAD,根据 ErrorLogUrls,检查 Kafka 中的消息并且更正错误。默认为 0,表示不允许有错误行。
注意
  • 在错误数据行过多致导入任务暂停之前的最后一批任务将成功。也就是说,合格的数据将被导入,不合格的数据将被过滤。如果不想过滤过多的不合格数据行,可设置参数 max_filter_ratio
  • 错误行不包括通过 WHERE 子句过滤掉的数据。
  • 该参数与下个参数 max_filter_ratio 都用于控制错误行数阈值。如果没有设置 max_filter_ratio 时,则本参数生效,如果设置了 max_filter_ratio,则错误行数只要达到本参数或 max_filter_ratio 参数其中任何一个阈值,则导入作业暂停。
max_filter_ratio用于指定导入作业的最大容错率,即导入作业能够容忍的因数据质量不合格而过滤掉的数据行所占的最大比例。取值范围:0~1。默认值:1(表示实际不会生效)。
建议您将该值设置为 0。这样的话,当导入的数据行中有错误时,导入作业会暂停,从而保证数据的正确性。
如果希望忽略错误的数据行,可以设置该参数的取值大于 0。这样的话,即使导入的数据行中有错误,导入作业也能成功。
注意
  • 当错误数据行大于 max_filter_ratio 时,最后一批任务将失败。这与 max_error_number 的效果有些不同
  • 这里因数据质量不合格而过滤掉的数据行,不包括通过 WHERE 子句过滤掉的数据行。
  • 该参数与上个参数 max_error_number 都用于控制错误行数阈值。当该参数保持默认值 1 时,max_error_number 生效,如果设置了本参数,则错误行数只要达到本参数或 max_error_number 参数其中任何一个阈值,则导入作业暂停。
CREATE_ROUTINE_LOAD.md
strict_mode是否开启严格模式。取值范围:TRUE 或者 FALSE。默认值:FALSE。开启后,如果源数据某列的值为 NULL,但是目标表中该列不允许为 NULL,则该行数据会被过滤掉。
关于该模式的介绍,参见严格模式
log_rejected_record_num指定最多允许记录多少条因数据质量不合格而过滤掉的数据行数。该参数自 3.1 版本起支持。取值范围:0-1、大于 0 的正整数。默认值:0
  • 取值为 0 表示不记录过滤掉的数据行。
  • 取值为 -1 表示记录所有过滤掉的数据行。
  • 取值为大于 0 的正整数(比如 n)表示每个 BE 节点上最多可以记录 n 条过滤掉的数据行。
timezone该参数的取值会影响所有导入涉及的、跟时区设置有关的函数所返回的结果。受时区影响的函数有 strftime、alignment_timestamp 和 from_unixtime 等,具体请参见设置时区。导入参数 timezone 设置的时区对应设置时区中所述的会话级时区。
merge_condition用于指定作为更新生效条件的列名。这样只有当导入的数据中该列的值大于等于当前值的时候,更新才会生效。参见通过导入实现数据变更。指定的列必须为非主键列,且仅主键模型表支持条件更新。
strict_mode是否开启严格模式。取值范围:TRUE 或者 FALSE。默认值:FALSE。开启后,如果源数据某列的值为 NULL,但是目标表中该列不允许为 NULL,则该行数据会被过滤掉。
关于该模式的介绍,参见严格模式
log_rejected_record_num指定最多允许记录多少条因数据质量不合格而过滤掉的数据行数。该参数自 3.1 版本起支持。取值范围:0-1、大于 0 的正整数。默认值:0
  • 取值为 0 表示不记录过滤掉的数据行。
  • 取值为 -1 表示记录所有过滤掉的数据行。
  • 取值为大于 0 的正整数(比如 n)表示每个 BE 节点上最多可以记录 n 条过滤掉的数据行。
timezone该参数的取值会影响所有导入涉及的、跟时区设置有关的函数所返回的结果。受时区影响的函数有 strftime、alignment_timestamp 和 from_unixtime 等,具体请参见设置时区。导入参数 timezone 设置的时区对应设置时区中所述的会话级时区。
merge_condition用于指定作为更新生效条件的列名。这样只有当导入的数据中该列的值大于等于当前值的时候,更新才会生效。参见通过导入实现数据变更。指定的列必须为非主键列,且仅主键模型表支持条件更新。
format源数据的格式,取值范围:CSVJSON 或者 Avro(自 v3.0.1)。默认值:CSV
trim_space用于指定是否去除 CSV 文件中列分隔符前后的空格。取值类型:BOOLEAN。默认值:false
有些数据库在导出数据为 CSV 文件时,会在列分隔符的前后添加一些空格。根据位置的不同,这些空格可以称为“前导空格”或者“尾随空格”。通过设置该参数,可以使 StarRocks 在导入数据时删除这些不必要的空格。
需要注意的是,StarRocks 不会去除被 enclose 指定字符括起来的字段内的空格(包括字段的前导空格和尾随空格)。例如,列分隔符是竖线 (|),enclose 指定的字符是双引号 ("):| "Love StarRocks" |。如果设置 trim_space 为 true,则 StarRocks 处理后的结果数据为 |"Love StarRocks"|
enclose根据 RFC4180,用于指定把 CSV 文件中的字段括起来的字符。取值类型:单字节字符。默认值:NONE。最常用 enclose 字符为单引号 (') 或双引号 (")。
enclose 指定字符括起来的字段内的所有特殊字符(包括行分隔符、列分隔符等)均看做是普通符号。比 RFC4180 标准更进一步的是,StarRocks 提供的 enclose 属性支持设置任意单个字节的字符。
如果一个字段内包含了 enclose 指定字符,则可以使用同样的字符对 enclose 指定字符进行转义。例如,在设置了enclose 为双引号 (") 时,字段值 a "quoted" c 在 CSV 文件中应该写作 "a ""quoted"" c"
escape指定用于转义的字符。用来转义各种特殊字符,比如行分隔符、列分隔符、转义符、enclose 指定字符等,使 StarRocks 把这些特殊字符当做普通字符而解析成字段值的一部分。取值类型:单字节字符。默认值:NONE。最常用的 escape 字符为斜杠 (\),在 SQL 语句中应该写作双斜杠 (\\)。
escape 指定字符同时作用于 enclose 指定字符的内部和外部。
以下为两个示例:
  • 当设置 enclose 为双引号 (") 、escape 为斜杠 (\) 时,StarRocks 会把 "say \"Hello world\"" 解析成一个字段值 say "Hello world"
  • 假设列分隔符为逗号 (,) ,当设置 escape 为斜杠 (\) ,StarRocks 会把 a, b\, c 解析成 ab, c 两个字段值。
strip_outer_array是否裁剪 JSON 数据最外层的数组结构。取值范围:TRUE 或者 FALSE。默认值:FALSE。真实业务场景中,待导入的 JSON 数据可能在最外层有一对表示数组结构的中括号 []。这种情况下,一般建议您指定该参数取值为 true,这样 StarRocks 会剪裁掉外层的中括号 [],并把中括号 [] 里的每个内层数组都作为一行单独的数据导入。如果您指定该参数取值为 false,则 StarRocks 会把整个 JSON 数据解析成一个数组,并作为一行数据导入。例如,待导入的 JSON 数据为 [ {"category" : 1, "author" : 2}, {"category" : 3, "author" : 4} ],如果指定该参数取值为 true,则 StarRocks 会把 {"category" : 1, "author" : 2}{"category" : 3, "author" : 4} 解析成两行数据,并导入到目标表中对应的数据行。
jsonpaths用于指定待导入的字段的名称。仅在使用匹配模式导入 JSON 数据时需要指定该参数。参数取值为 JSON 格式。参见目标表存在衍生列,其列值通过表达式计算生成
json_root如果不需要导入整个 JSON 数据,则指定实际待导入 JSON 数据的根节点。参数取值为合法的 JsonPath。默认值为空,表示会导入整个 JSON 数据。具体请参见本文提供的示例指定实际待导入 JSON 数据的根节点
task_consume_second单个 Routine Load 导入作业中每个 Routine Load 导入任务消费数据的最大时长,单位为秒。相较于FE 动态参数 routine_load_task_consume_second(作用于集群内部所有 Routine Load 导入作业),该参数仅针对单个 Routine Load 导入作业,更加灵活。该参数自 v3.1.0 起新增。
  • 当未配置 task_consume_secondtask_timeout_second 时,StarRocks 则使用 FE 动态参数 routine_load_task_consume_secondroutine_load_task_timeout_second 来控制导入行为。
  • 当只配置 task_consume_second 时,默认 task_timeout_second = task_consume_second * 4。
  • 当只配置 task_timeout_second 时,默认 task_consume_second = task_timeout_second /4。
task_timeout_secondRoutine Load 导入作业中每个 Routine Load 导入任务超时时间,单位为秒。相较于FE 动态参数 routine_load_task_timeout_second(作用于集群内部所有 Routine Load 导入作业),该参数仅针对单个 Routine Load 导入作业,更加灵活。该参数自 v3.1.0 起新增。
  • 当未配置 task_consume_secondtask_timeout_second 时,StarRocks 则使用 FE 动态参数 routine_load_task_consume_secondroutine_load_task_timeout_second 来控制导入行为。
  • 当只配置 task_timeout_second 时,默认 task_consume_second = task_timeout_second /4。
  • 当只配置 task_consume_second 时,默认 task_timeout_second = task_consume_second * 4。

data_sourcedata_source_properties

数据源和数据源属性。语法:

FROM <data_source>
("<key1>" = "<value1>"[, "<key2>" = "<value2>" ...])

data_source

必填。指定数据源,目前仅支持取值为 KAFKA

data_source_properties

必填。数据源属性,参数以及说明如下:

参数说明
kafka_broker_listKafka 的 Broker 连接信息。格式为 <kafka_broker_ip>:<kafka port>,多个 Broker 之间以英文逗号 (,) 分隔。 Kafka Broker 默认端口号为 9092。示例:"kafka_broker_list" = "xxx.xx.xxx.xx:9092,xxx.xx.xxx.xx:9092"
kafka_topicKafka Topic 名称。一个导入作业仅支持消费一个 Topic 的消息。
kafka_partitions待消费的分区。示例:"kafka_partitions" = "0, 1, 2, 3"。如果不配置该参数,则默认消费所有分区。
kafka_offsets待消费分区的起始消费位点,必须一一对应 kafka_partitions 中指定的每个分区。如果不配置该参数,则默认为从分区的末尾开始消费。支持取值为
  • 具体消费位点:从分区中该消费位点的数据开始消费。
  • OFFSET_BEGINNING:从分区中有数据的位置开始消费。
  • OFFSET_END:从分区的末尾开始消费。
多个起始消费位点之间用英文逗号(, )分隔。
示例: "kafka_offsets" = "1000, OFFSET_BEGINNING, OFFSET_END, 2000"
property.kafka_default_offsets所有待消费分区的默认起始消费位点。支持的取值与 kafka_offsets 一致。
confluent.schema.registry.url注册该 Avro schema 的 Schema Registry 的 URL,StarRocks 会从该 URL 获取 Avro schema。格式为 confluent.schema.registry.url = http[s]://[<schema-registry-api-key>:<schema-registry-api-secret>@]<hostname or ip address>[:<port>]

更多数据源相关参数

支持设置更多数据源 Kafka 相关参数,功能等同于 Kafka 命令行 --property, 支持参数,请参见 librdkafka 配置项文档中适用于客户端的配置项。

说明

当参数的取值是文件时,则值前加上关键词 FILE:。关于如何创建文件,请参见 CREATE FILE 命令文档。

指定所有待消费分区的默认起始消费位点。

"property.kafka_default_offsets" = "OFFSET_BEGINNING"

property.kafka_default_offsets 的取值为具体的消费位点,或者:

  • OFFSET_BEGINNING:从分区中有数据的位置开始消费。
  • OFFSET_END:从分区的末尾开始消费。

指定导入任务消费 Kafka 时所基于 Consumer Group 的 group.id

"property.group.id" = "group_id_0"

如果没有指定 group.id,StarRocks 会根据 Routine Load 的导入作业名称生成一个随机值,具体格式为{job_name}_{random uuid},如 simple_job_0a64fe25-3983-44b2-a4d8-f52d3af4c3e8

指定 BE 访问 Kafka 时的安全协议并配置相关参数

支持安全协议为 plaintext(默认)、sslsasl_plaintextsasl_ssl,并且需要根据安全协议配置相关参数。

当安全协议为 sasl_plaintextsasl_ssl 时,支持如下 SASL 认证机制:

  • PLAIN
  • SCRAM-SHA-256 和 SCRAM-SHA-512
  • OAUTHBEARER
  • GSSAPI (Kerberos)

示例:

  • 访问 Kafka 时,使用安全协议 SSL

    "property.security.protocol" = "ssl", -- 指定安全协议为 SSL
    "property.ssl.ca.location" = "FILE:ca-cert", -- CA 证书的位置
    --如果 Kafka server 端开启了 client 认证,则还需设置如下三个参数:
    "property.ssl.certificate.location" = "FILE:client.pem", -- Client 的 public key 的位置
    "property.ssl.key.location" = "FILE:client.key", -- Client 的 private key 的位置
    "property.ssl.key.password" = "abcdefg" -- Client 的 private key 的密码
  • 访问 Kafka 时,使用 SASL_PLAINTEXT 安全协议和 SASL/PLAIN 认证机制

    "property.security.protocol" = "SASL_PLAINTEXT", -- 指定安全协议为 SASL_PLAINTEXT
    "property.sasl.mechanism" = "PLAIN", -- 指定 SASL 认证机制为 PLAIN
    "property.sasl.username" = "admin", -- SASL 的用户名
    "property.sasl.password" = "admin" -- SASL 的密码
  • 访问 Kafka 时,使用 SASL_PLAINTEXT 安全协议和 SASL/GSSAPI (Kerberos) 认证机制

    "property.security.protocol" = "SASL_PLAINTEXT", -- 指定安全协议为 SASL_PLAINTEXT
    "property.sasl.mechanism" = "GSSAPI", -- 指定 SASL 认证机制为 GSSAPI, 默认是 GSSAPI
    "property.sasl.kerberos.service.name" = "kafka", -- 指定 broker service name,默认是 Kafka
    "property.sasl.kerberos.keytab" = "/home/starrocks/starrocks.keytab", -- 指定 client keytab 的位置
    "property.sasl.kerberos.principal" = "starrocks@YOUR.COM" -- 指定 kerberos principal
    备注
    • 自 StarRocks 3.1.4 版本起,支持 SASL/GSSAPI (Kerberos) 认证。

    • 需要在 BE 机器上安装 SASL 相关模块。

      # Debian/Ubuntu:
      sudo apt-get install libsasl2-modules-gssapi-mit libsasl2-dev
      # CentOS/Redhat:
      sudo yum install cyrus-sasl-gssapi cyrus-sasl-devel

FE 和 BE 配置项

Routine Load 相关配置项,请参见配置参数

列映射和转换关系

导入 CSV 数据

如果 CSV 格式的数据中的列与目标表中的列的数量或顺序不一致,则需要通过 COLUMNS 参数来指定源数据和目标表之间的列映射和转换关系。一般包括如下两种场景:

  • 源数据中的列与目标表中的列数量一致,但是顺序不一致。并且数据不需要通过函数计算、可以直接落入目标表中对应的列。 您需要在 COLUMNS 参数中按照源数据中的列顺序、使用目标表中对应的列名来配置列映射和转换关系。

    例如,目标表中有三列,按顺序依次为 col1col2col3;源数据中也有三列,按顺序依次对应目标表中的 col3col2col1。这种情况下,需要指定 COLUMNS(col3, col2, col1)

  • 源数据中的列与目标表中的列数量不一致,甚至某些列的数据需要通过转换(函数计算以后)才能落入目标表中对应的列。 您不仅需要在 COLUMNS 参数中按照源数据中的列顺序、使用目标表中对应的列名来配置列映射关系,还需要指定参与数据计算的函数。以下为两个示例:

    • 源数据比目标表多列。 比如目标表中有三列,按顺序依次为 col1col2col3 ;源数据中有四列,前三列按顺序依次对应目标表中的 col1col2col3,第四列在目标表中无对应的列。这种情况下,需要指定 COLUMNS(col1, col2, col3, temp),其中,最后一列可随意指定一个名称(如 temp)用于占位即可。
    • 目标表存在基于源数据的列进行计算后生成的衍生列。 例如源数据中只有一个包含时间数据的列,格式为 yyyy-mm-dd hh:mm:ss。目标表中有三列,按顺序依次为 yearmonthday,均是基于源数据中包含时间数据的列进行计算后生成的衍生列。这种情况下,可以指定 COLUMNS(col, year = year(col), month=month(col), day=day(col)。其中,col 是源数据中所包含的列的临时命名,year = year(col)month=month(col)day=day(col) 用于指定从源数据中的 col 列提取对应的数据并落入目标表中对应的衍生列,如 year = year(col) 表示通过 year 函数提取源数据中 col 列的 yyyy 部分的数据并落入目标表中的 year 列。

    有关操作示例,请参见设置列的映射和转换关系

导入 JSON 或 Avro 数据

说明

自 3.0.1 版本开始,StarRocks 支持使用 Routine Load 导入 Avro 数据。导入 JSON 或者 Avro 数据时,列映射和转换关系的配置方式相同。因此本小节以导入 Avro 数据为例进行说明。

如果 JSON 格式的数据中的 Key 名与目标表中的列名不一致,则需要使用匹配模式导入 JSON 数据,即通过 jsonpathsCOLUMNS 两个参数来指定源数据和目标表之间的列映射和转换关系:

  • jsonpaths 参数指定待导入 JSON 数据的 Key,并进行排序(就像新生成了 CSV 数据)。
  • COLUMNS参数指定待导入 JSON 数据的 Key 与目标表的列的映射关系和数据转换关系。
    • jsonpaths中指定的 Key 按顺序保持一一对应。
    • 与目标表中的列按名称保持一一对应。

详细示例,请参见目标表存在衍生列,其列值通过表达式计算生成

说明

如果待导入 JSON 数据中 Key 名(Key的顺序和数量不需要对应)都能对应目标表中列名,则可以使用简单模式导入 JSON 数据,无需配置 jsonpathsCOLUMNS

示例

导入 CSV 数据

本小节以 CSV 格式的数据为例,重点阐述在创建导入作业的时候,如何运用各种参数配置来满足不同业务场景下的各种导入要求。

数据集

假设 Kafka 集群的 Topic ordertest1 存在如下 CSV 格式的数据,其中 CSV 数据中列的含义依次是订单编号、支付日期、顾客姓名、国籍、性别、支付金额。

2020050802,2020-05-08,Johann Georg Faust,Deutschland,male,895
2020050802,2020-05-08,Julien Sorel,France,male,893
2020050803,2020-05-08,Dorian Grey,UK,male,1262
2020050901,2020-05-09,Anna Karenina,Russia,female,175
2020051001,2020-05-10,Tess Durbeyfield,US,female,986
2020051101,2020-05-11,Edogawa Conan,japan,male,8924

目标数据库和表

根据 CSV 数据中需要导入的列, 在 StarRocks 集群的目标数据库 example_db 中创建表 example_tbl1,建表语句如下:

CREATE TABLE example_db.example_tbl1 ( 
`order_id` bigint NOT NULL COMMENT "订单编号",
`pay_dt` date NOT NULL COMMENT "支付日期",
`customer_name` varchar(26) NULL COMMENT "顾客姓名",
`nationality` varchar(26) NULL COMMENT "国籍",
`gender` varchar(26) NULL COMMENT "性别",
`price` double NULL COMMENT "支付金额")
DUPLICATE KEY (order_id,pay_dt)
DISTRIBUTED BY HASH(`order_id`);

从 Topic 指定分区和起始位点开始消费

如果需要指定分区,以及各个分区对应的起始位点,则需要配置参数 kafka_partitionskafka_offsets

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1",
"kafka_partitions" ="0,1,2,3", -- 指定分区
"kafka_offsets" = "1000, OFFSET_BEGINNING, OFFSET_END, 2000" -- 指定起始位点
);

调整导入性能

如果需要提高导入性能,避免出现消费积压等情况,则可以通过设置单个 Routine Load 导入作业的期望任务并发度desired_concurrent_number,增加实际任务并行度,将一个导入作业拆分成尽可能多的导入任务并行执行。

更多提升导入性能的方式,请参见 Routine Load常见问题

请注意,实际任务并行度由如下多个参数组成的公式决定,上限为 BE 节点的数量或者消费分区的数量。

min(alive_be_number, partition_number, desired_concurrent_number, max_routine_load_task_concurrent_num)

因此当消费分区和 BE 节点数量较多,并且大于其余两个参数时,如果您需要增加实际任务并行度,则可以提高max_routine_load_task_concurrent_numdesired_concurrent_number 的值。

假设消费分区数量为 7,存活 BE 数量为 5max_routine_load_task_concurrent_num 为默认值 5。此时如果需要增加实际任务并发度至上限,则需要将 desired_concurrent_number 设置为 5(默认值为 3),则计算实际任务并行度 min(5,7,5,5)5

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
PROPERTIES
(
"desired_concurrent_number" = "5" -- 设置单个 Routine Load 导入作业的期望任务并发度
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1"
);

设置列的映射和转换关系

如果 CSV 格式的数据中的列与目标表中的列的数量或顺序不一致,假设无需导入 CSV 数据的第五列至目标表,则需要通过 COLUMNS 参数来指定源数据和目标表之间的列映射和转换关系。

目标数据库和表

根据 CSV 数据中需要导入的几列(例如除第五列性别外的其余五列需要导入至 StarRocks), 在 StarRocks 集群的目标数据库 example_db 中创建表 example_tbl2

CREATE TABLE example_db.example_tbl2 ( 
`order_id` bigint NOT NULL COMMENT "订单编号",
`pay_dt` date NOT NULL COMMENT "支付日期",
`customer_name` varchar(26) NULL COMMENT "顾客姓名",
`nationality` varchar(26) NULL COMMENT "国籍",
`price` double NULL COMMENT "支付金额"
)
DUPLICATE KEY (order_id,pay_dt)
DISTRIBUTED BY HASH(`order_id`);

导入作业

本示例中,由于无需导入 CSV 数据的第五列至目标表,因此COLUMNS中把第五列临时命名为 temp_gender 用于占位,其他列都直接映射至表 example_tbl2 中。

CREATE ROUTINE LOAD example_db.example_tbl2_ordertest1 ON example_tbl2
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, temp_gender, price)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1"
);

设置过滤条件 筛选待导入的数据

如果仅导入满足条件的数据,则可以在 WHERE 子句中设置过滤条件,例如price > 100

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price),
WHERE price > 100
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1"
);

设置导入任务为严格模式

PROPERTIES中设置"strict_mode" = "true",表示导入作业为严格模式。如果源数据某列的值为 NULL,但是目标表中该列不允许为 NULL,则该行数据会被过滤掉。

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
PROPERTIES
(
"strict_mode" = "true" -- 设置导入作业为严格模式
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1"
);

设置导入任务的容错率

如果业务场景对数据质量的有要求,则需要设置参数max_batch_rowsmax_error_number设置错误检测窗口的范围和允许的错误数据行数的上限,当错误数据行数超过该值时,导入作业会暂停。

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
PROPERTIES
(
"max_batch_rows" = "100000", -- 错误检测窗口范围为单个 Routine Load 导入任务所消费的 10 * max-batch-rows 行数。
"max_error_number" = "100" -- 错误检测窗口范围内允许的错误数据行数的上限
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1"
);

指定安全协议为 SSL 并配置相关参数

如果需要指定 BE 访问 Kafka 时使用的安全协议为 SSL,则需要配置 "property.security.protocol" = "ssl" 等参数。

CREATE ROUTINE LOAD example_db.example_tbl1_ordertest1 ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
PROPERTIES
(
"desired_concurrent_number" = "5"
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest1",
"property.security.protocol" = "ssl", -- 使用 SSL 加密
"property.ssl.ca.location" = "FILE:ca-cert", -- CA 证书的位置
-- 如果 Kafka Server 端开启了 Client 身份认证,则还需设置如下三个参数:
"property.ssl.certificate.location" = "FILE:client.pem", -- Client 的 Public Key 的位置
"property.ssl.key.location" = "FILE:client.key", -- Client 的 Private Key 的位置
"property.ssl.key.password" = "abcdefg" -- Client 的 Private Key 的密码
);

设置 trim_spaceencloseescape

假设 Kafka 集群的 Topic test_csv 存在如下 CSV 格式的数据,其中 CSV 数据中列的含义依次是订单编号、支付日期、顾客姓名、国籍、性别、支付金额。

 "2020050802" , "2020-05-08" , "Johann Georg Faust" , "Deutschland" , "male" , "895"
"2020050802" , "2020-05-08" , "Julien Sorel" , "France" , "male" , "893"
"2020050803" , "2020-05-08" , "Dorian Grey\,Lord Henry" , "UK" , "male" , "1262"
"2020050901" , "2020-05-09" , "Anna Karenina" , "Russia" , "female" , "175"
"2020051001" , "2020-05-10" , "Tess Durbeyfield" , "US" , "female" , "986"
"2020051101" , "2020-05-11" , "Edogawa Conan" , "japan" , "male" , "8924"

如果要把 Topic test_csv 中所有的数据都导入到 example_tbl1 中,并且希望去除被 enclose 指定字符括起来的字段前后的空格、 指定 enclose 字符为双引号 (")、并且指定 escape 字符为斜杠 (\),可以执行如下语句:

CREATE ROUTINE LOAD example_db.example_tbl1_test_csv ON example_tbl1
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, gender, price)
PROPERTIES
(
"trim_space"="true",
"enclose"="\"",
"escape"="\\"
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic"="test_csv",
"property.kafka_default_offsets"="OFFSET_BEGINNING"
);

导入 JSON 格式数据

目标表的列名与 JSON 数据的 Key 一致

可以使用简单模式导入数据,即创建导入作业时无需使用 jsonpathsCOLUMNS 参数。StarRocks 会按照目标表的列名去对应 JSON 数据的 Key。

数据集

假设 Kafka 集群的 Topic ordertest2 中存在如下 JSON 数据。

{"commodity_id": "1", "customer_name": "Mark Twain", "country": "US","pay_time": 1589191487,"price": 875}
{"commodity_id": "2", "customer_name": "Oscar Wilde", "country": "UK","pay_time": 1589191487,"price": 895}
{"commodity_id": "3", "customer_name": "Antoine de Saint-Exupéry","country": "France","pay_time": 1589191487,"price": 895}

注意

这里每行一个 JSON 对象必须在一个 Kafka 消息中,否则会出现“JSON 解析错误”的问题。

目标数据库和表

在 StarRocks 集群的目标数据库 example_db 中创建表 example_tbl3 ,并且列名与 JSON 数据中需要导入的 Key 一致。

CREATE TABLE example_db.example_tbl3 ( 
`commodity_id` varchar(26) NULL COMMENT "品类ID",
`customer_name` varchar(26) NULL COMMENT "顾客姓名",
`country` varchar(26) NULL COMMENT "顾客国籍",
`pay_time` bigint(20) NULL COMMENT "支付时间",
`price` double SUM NULL COMMENT "支付金额")
AGGREGATE KEY(`commodity_id`,`customer_name`,`country`,`pay_time`)
DISTRIBUTED BY HASH(`commodity_id`);

导入作业

提交导入作业时使用简单模式,即无需使用jsonpathsCOLUMNS 参数,就可以将 Kafka 集群的 Topic ordertest2 中的 JSON 数据导入至目标表 example_tbl3 中。

CREATE ROUTINE LOAD example_db.example_tbl3_ordertest2 ON example_tbl3
PROPERTIES
(
"format" = "json"
)
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest2"
);

说明

  • 如果 JSON 数据最外层是数组结构,则需要在PROPERTIES设置"strip_outer_array"="true",表示裁剪最外层的数组结构。并且需要注意在设置 jsonpaths 时,整个 JSON 数据的根节点是裁剪最外层的数组结构后展平的 JSON 对象
  • 如果不需要导入整个 JSON 数据,则需要使用 json_root 指定实际所需导入的 JSON 数据根节点。

目标表存在衍生列,其列值通过表达式计算生成

需要使用匹配模式导入数据,即需要使用 jsonpathsCOLUMNS 参数,jsonpaths指定待导入 JSON 数据的 Key,COLUMNS 参数指定待导入 JSON 数据的 Key 与目标表的列的映射关系和数据转换关系。

数据集

假设 Kafka 集群的 Topic ordertest2 中存在如下 JSON 格式的数据。

{"commodity_id": "1", "customer_name": "Mark Twain", "country": "US","pay_time": 1589191487,"price": 875}
{"commodity_id": "2", "customer_name": "Oscar Wilde", "country": "UK","pay_time": 1589191487,"price": 895}
{"commodity_id": "3", "customer_name": "Antoine de Saint-Exupéry","country": "France","pay_time": 1589191487,"price": 895}

目标数据库和表

假设在 StarRocks 集群的目标数据库 example_db 中存在目标表 example_tbl4 其中有一列衍生列 pay_dt,是基于 JSON 数据的Key pay_time 进行计算后的数据。其建表语句如下:

CREATE TABLE example_db.example_tbl4 ( 
`commodity_id` varchar(26) NULL COMMENT "品类ID",
`customer_name` varchar(26) NULL COMMENT "顾客姓名",
`country` varchar(26) NULL COMMENT "顾客国籍",
`pay_time` bigint(20) NULL COMMENT "支付时间",
`pay_dt` date NULL COMMENT "支付日期",
`price`double SUM NULL COMMENT "支付金额")
AGGREGATE KEY(`commodity_id`,`customer_name`,`country`,`pay_time`,`pay_dt`)
DISTRIBUTED BY HASH(`commodity_id`);

导入作业

提交导入作业时使用匹配模式。使用 jsonpaths 指定待导入 JSON 数据的 Key。并且由于 JSON 数据中 key pay_time 需要转换为 DATE 类型,才能导入到目标表的列 pay_dt,因此 COLUMNS 中需要使用函数from_unixtime进行转换。JSON 数据的其他 key 都能直接映射至表 example_tbl4 中。

CREATE ROUTINE LOAD example_db.example_tbl4_ordertest2 ON example_tbl4
COLUMNS(commodity_id, customer_name, country, pay_time, pay_dt=from_unixtime(pay_time, '%Y%m%d'), price)
PROPERTIES
(
"format" = "json",
"jsonpaths" = "[\"$.commodity_id\",\"$.customer_name\",\"$.country\",\"$.pay_time\",\"$.price\"]"
)
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest2"
);

说明

  • 如果 JSON 数据最外层是数组结构,则需要在PROPERTIES设置"strip_outer_array"="true",表示裁剪最外层的数组结构。并且需要注意在设置 jsonpaths 时,整个 JSON 数据的根节点是裁剪最外层的数组结构后展平的 JSON 对象
  • 如果不需要导入整个 JSON 数据,则需要使用 json_root 指定实际所需导入的 JSON 数据根节点。

目标表存在衍生列,其列值通过 CASE 表达式计算生成

数据集

假设 Kafka 集群的 Topic topic-expr-test 中存在如下 JSON 格式的数据。

{"key1":1, "key2": 21}
{"key1":12, "key2": 22}
{"key1":13, "key2": 23}
{"key1":14, "key2": 24}

目标数据库和表

假设在 StarRocks 集群的目标数据库 example_db 中存在目标表 tbl_expr_test 包含两列,其中列 col2 的值基于 JSON 数据进行 CASE 表达式计算得出。其建表语句如下:

CREATE TABLE tbl_expr_test (
col1 string, col2 string)
DISTRIBUTED BY HASH (col1);

导入作业

目标表中列 col2 的值需要基于 JSON 数据进行 CASE 表达式计算后得出,因此您需要在导入作业中的 COLUMNS 参数配置对应的 CASE 表达式。

CREATE ROUTINE LOAD rl_expr_test ON tbl_expr_test
COLUMNS (
key1,
key2,
col1 = key1,
col2 = CASE WHEN key1 = "1" THEN "key1=1"
WHEN key1 = "12" THEN "key1=12"
ELSE "nothing" END)
PROPERTIES ("format" = "json")
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "topic-expr-test"
);

查询数据

查询目标表中的数据,返回结果显示列 col2 的值是使用 CASE 表达式计算后输出的值。

MySQL [example_db]> SELECT * FROM tbl_expr_test;
+------+---------+
| col1 | col2 |
+------+---------+
| 1 | key1=1 |
| 12 | key1=12 |
| 13 | nothing |
| 14 | nothing |
+------+---------+
4 rows in set (0.015 sec)

指定实际待导入 JSON 数据的根节点

如果不需要导入整个 JSON 数据,则需要使用 json_root 指定实际上所需导入的 JSON 数据的根对象,参数取值为合法的 JsonPath。

数据集

假设 Kafka 集群的 Topic ordertest3 中存在如下 JSON 格式的数据,实际导入时仅需要导入 key RECORDS的值。

{"RECORDS":[{"commodity_id": "1", "customer_name": "Mark Twain", "country": "US","pay_time": 1589191487,"price": 875},{"commodity_id": "2", "customer_name": "Oscar Wilde", "country": "UK","pay_time": 1589191487,"price": 895},{"commodity_id": "3", "customer_name": "Antoine de Saint-Exupéry","country": "France","pay_time": 1589191487,"price": 895}]}

目标数据库和表

假设在 StarRocks 集群的目标数据库 example_db 中存在目标表example_tbl3 ,其建表语句如下:

CREATE TABLE example_db.example_tbl3 ( 
`commodity_id` varchar(26) NULL COMMENT "品类ID",
`customer_name` varchar(26) NULL COMMENT "顾客姓名",
`country` varchar(26) NULL COMMENT "顾客国籍",
`pay_time` bigint(20) NULL COMMENT "支付时间",
`price`double SUM NULL COMMENT "支付金额")
AGGREGATE KEY(`commodity_id`,`customer_name`,`country`,`pay_time`)
DISTRIBUTED BY HASH(`commodity_id`);

导入作业

提交导入作业,设置"json_root" = "$.RECORDS"指定实际待导入的 JSON 数据的根节点。并且由于实际待导入的 JSON 数据是数组结构,因此还需要设置"strip_outer_array" = "true",裁剪外层的数组结构。

CREATE ROUTINE LOAD example_db.example_tbl3_ordertest3 ON example_tbl3
PROPERTIES
(
"format" = "json",
"strip_outer_array" = "true",
"json_root" = "$.RECORDS"
)
FROM KAFKA
(
"kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
"kafka_topic" = "ordertest2"
);

导入 Avro 数据

自 3.0.1 版本开始,StarRocks 支持使用 Routine Load 导入 Avro 数据。

Avro schema 只包含简单数据类型

假设 Avro schema 只包含简单数据类型,并且您需要导入 Avro 数据中的所有字段。

数据集

Avro schema

  1. 创建如下 Avro schema 文件 avro_schema1.avsc

    {
    "type": "record",
    "name": "sensor_log",
    "fields" : [
    {"name": "id", "type": "long"},
    {"name": "name", "type": "string"},
    {"name": "checked", "type" : "boolean"},
    {"name": "data", "type": "double"},
    {"name": "sensor_type", "type": {"type": "enum", "name": "sensor_type_enum", "symbols" : ["TEMPERATURE", "HUMIDITY", "AIR-PRESSURE"]}}
    ]
    }
  2. 注册该 Avro schema 至 Schema Registry

Avro 数据

构建 Avro 数据并且发送至 Kafka 集群的 topic topic_1

目标数据库和表

根据 Avro 数据中需要导入的字段,在 StarRocks 集群的目标数据库 sensor 中创建表 sensor_log1。表的列名与 Avro 数据的字段名保持一致。两者的数据类型映射关系,请参见xxx。

CREATE TABLE sensor.sensor_log1 ( 
`id` bigint NOT NULL COMMENT "sensor id",
`name` varchar(26) NOT NULL COMMENT "sensor name",
`checked` boolean NOT NULL COMMENT "checked",
`data` double NULL COMMENT "sensor data",
`sensor_type` varchar(26) NOT NULL COMMENT "sensor type"
)
ENGINE=OLAP
DUPLICATE KEY (id)
DISTRIBUTED BY HASH(`id`);

导入作业

提交导入作业时使用简单模式,即无需使用 jsonpaths 参数,就可以将 Kafka 集群的 Topic topic_1 中的 Avro 数据导入至数据库 sensor 中的表 sensor_log1

CREATE ROUTINE LOAD sensor.sensor_log_load_job1 ON sensor_log1  
PROPERTIES
(
"format" = "avro"
)
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>,...",
"confluent.schema.registry.url" = "http://172.xx.xxx.xxx:8081",
"kafka_topic" = "topic_1",
"kafka_partitions" = "0,1,2,3,4,5",
"property.kafka_default_offsets" = "OFFSET_BEGINNING"
);

Avro schema 嵌套 Record 类型的字段

假设 Avro schema 嵌套 Record 类型的字段,并且您需要导入嵌套 Record 字段中的子字段。

数据集

Avro schema

  1. 创建如下 Avro schema 文件 avro_schema2.avsc。其中最外层 Record 的字段依次是 idnamecheckedsensor_typedata。并且字段 data 包含嵌套 Record data_record

    {
    "type": "record",
    "name": "sensor_log",
    "fields" : [
    {"name": "id", "type": "long"},
    {"name": "name", "type": "string"},
    {"name": "checked", "type" : "boolean"},
    {"name": "sensor_type", "type": {"type": "enum", "name": "sensor_type_enum", "symbols" : ["TEMPERATURE", "HUMIDITY", "AIR-PRESSURE"]}},
    {"name": "data", "type":
    {
    "type": "record",
    "name": "data_record",
    "fields" : [
    {"name": "data_x", "type" : "boolean"},
    {"name": "data_y", "type": "long"}
    ]
    }
    }
    ]
    }
  2. 注册该 Avro schema 至 Schema Registry

Avro 数据

构建 Avro 数据并且发送至 Kafka 集群的 topic topic_2

目标数据库和表

根据 Avro 数据中需要导入的字段,在 StarRocks 集群的目标数据库 sensor 中创建表 sensor_log2

假设您除了需要导入最外层 Record 的 idnamecheckedsensor_type 字段之外,还需要导入嵌套 Record 中的字段 data_y

CREATE TABLE sensor.sensor_log2 ( 
`id` bigint NOT NULL COMMENT "sensor id",
`name` varchar(26) NOT NULL COMMENT "sensor name",
`checked` boolean NOT NULL COMMENT "checked",
`sensor_type` varchar(26) NOT NULL COMMENT "sensor type",
`data_y` long NULL COMMENT "sensor data"
)
ENGINE=OLAP
DUPLICATE KEY (id)
DISTRIBUTED BY HASH(`id`);

导入作业

提交导入作业,使用 jsonpaths 指定实际待导入的 Avro 数据的字段。其中对于嵌套 Record 中的字段 data_y,您需要指定 jsonpaths"$.data.data_y"

CREATE ROUTINE LOAD sensor.sensor_log_load_job2 ON sensor_log2  
PROPERTIES
(
"format" = "avro",
"jsonpaths" = "[\"$.id\",\"$.name\",\"$.checked\",\"$.sensor_type\",\"$.data.data_y\"]"
)
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>,...",
"confluent.schema.registry.url" = "http://172.xx.xxx.xxx:8081",
"kafka_topic" = "topic_1",
"kafka_partitions" = "0,1,2,3,4,5",
"property.kafka_default_offsets" = "OFFSET_BEGINNING"
);

Avro schema 包含 Union 类型的字段

数据集

假设 Avro 数据包含 Union 类型的字段,并且您需要导入该 Union 字段。

Avro schema

  1. 创建如下 Avro schema 文件 avro_schema3.avsc。其中最外层 Record 的字段依次是idnamecheckedsensor_typedata。并且字段 data为 Union 类型,包含两个元素,分别是 null 和嵌套 Record data_record

    {
    "type": "record",
    "name": "sensor_log",
    "fields" : [
    {"name": "id", "type": "long"},
    {"name": "name", "type": "string"},
    {"name": "checked", "type" : "boolean"},
    {"name": "sensor_type", "type": {"type": "enum", "name": "sensor_type_enum", "symbols" : ["TEMPERATURE", "HUMIDITY", "AIR-PRESSURE"]}},
    {"name": "data", "type": [null,
    {
    "type": "record",
    "name": "data_record",
    "fields" : [
    {"name": "data_x", "type" : "boolean"},
    {"name": "data_y", "type": "long"}
    ]
    }
    ]
    }
    ]
    }
  2. 注册该 Avro schema 至 Schema Registry

Avro 数据

构建 Avro 数据并且发送至 Kafka 集群的 topic topic_3

目标数据库和表

根据 Avro 数据中需要导入的字段,在 StarRocks 集群的目标数据库 sensor 中创建表 sensor_log3

假设您除了需要导入最外层 Record 的 idnamecheckedsensor_type 字段之外,还需要导入 Union 类型的字段 data 中元素 data_record 包含的字段 data_y

CREATE TABLE sensor.sensor_log3 ( 
`id` bigint NOT NULL COMMENT "sensor id",
`name` varchar(26) NOT NULL COMMENT "sensor name",
`checked` boolean NOT NULL COMMENT "checked",
`sensor_type` varchar(26) NOT NULL COMMENT "sensor type",
`data_y` long NULL COMMENT "sensor data"
)
ENGINE=OLAP
DUPLICATE KEY (id)
DISTRIBUTED BY HASH(`id`);

导入作业

提交导入作业,使用 jsonpaths 指定实际待导入的 Avro 数据的字段。其中您需要指定字段 data_yjsonpaths"$.data.data_y"

CREATE ROUTINE LOAD sensor.sensor_log_load_job3 ON sensor_log3  
PROPERTIES
(
"format" = "avro",
"jsonpaths" = "[\"$.id\",\"$.name\",\"$.checked\",\"$.sensor_type\",\"$.data.data_y\"]"
)
FROM KAFKA
(
"kafka_broker_list" = "<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>,...",
"confluent.schema.registry.url" = "http://172.xx.xxx.xxx:8081",
"kafka_topic" = "topic_1",
"kafka_partitions" = "0,1,2,3,4,5",
"property.kafka_default_offsets" = "OFFSET_BEGINNING"
);

当 Union 类型的字段 data 的值为 null 时,则导入 data_y 列的值为 null。当 data 的值为一条 data record 时,则导入 data_y 列的值 Long 类型。