跳到主要内容
版本:3.2

导入方案

数据导入是指将原始数据按照业务需求进行清洗、转换、并加载到 StarRocks 中的过程,从而可以在 StarRocks 系统中进行极速统一的数据分析。

StarRocks 提供以下各种导入方案供您选择:

  • 导入方式:包括 Insert、Stream Load、Broker Load、Pipe、Routine Load、Spark Load。
  • 生态工具:包括 StarRocks Connector for Apache Kafka®(简称 Kafka Connector)、StarRocks Connector for Apache Spark™(简称 Spark Connector)、StarRocks Connector for Apache Flink®(简称 Flink Connector)、以及其他工具(比如 SMT、DataX、CloudCanal、Kettle Connector)。
  • API:Stream Load 事务接口。

每种导入方案都有其特定的优势,并且支持不同的数据源。

本文旨在对各种导入方案做一个总体介绍和详细对比,帮助您根据数据源、数据量、数据文件格式、以及导入频率等实际场景需要选择最适合您的导入方案。

导入方案介绍

这里主要介绍各种导入方案的特点及其适用场景。

Loading options overview

备注

本文中,“batch”和“batch loading”指一次性、批量导入大量数据,“stream”和“streaming”指实时、持续地导入数据。

导入方式

Insert

适用场景:

  • INSERT INTO VALUES:往内部表写入少量数据。
  • INSERT INTO SELECT:
    • INSERT INTO SELECT FROM <table_name>:往目标表写入另外一张表(内部表或外部表)的查询结果。

    • INSERT INTO SELECT FROM FILES():往目标表写入远端存储的数据文件的查询结果。

      备注

      该特性自 3.1 版本起支持 AWS S3 数据源,自 3.2 版本起支持 HDFS、Microsoft Azure Storage、Google GCS、及其他兼容 S3 协议的对象存储(如 MinIO)等数据源。

支持的文件格式:

  • INSERT INTO VALUES:SQL
  • INSERT INTO SELECT:
    • INSERT INTO SELECT FROM <table_name>:StarRocks 表
    • INSERT INTO SELECT FROM FILES():Parquet 和 ORC

单次导入数据量限制: 根据内存大小的不同而不同

Stream Load

适用场景: 从本地文件系统批量导入数据。

支持的文件格式: CSV、JSON

单次导入数据量限制: 10 GB 以内

Broker Load

适用场景:

  • 从 HDFS 或 AWS S3、Microsoft Azure Storage、Google GCS、其他兼容 S3 协议的云存储(如MinIO)、Alibaba Cloud OSS、Tencent Cloud COS、Huawei Cloud OBS 等数据源批量导入数据。
  • 从本地文件系统或 NAS 批量导入数据。

支持的文件格式: CSV、Parquet、ORC、JSON(自 3.2.3 版本起支持)

单次导入数据量限制: 数十到数百 GB

Pipe

适用场景: 从 HDFS 或 AWS S3 批量或实时导入数据。

备注

该特性自 3.2 版本起支持。

支持的文件格式: Parquet、ORC

单次导入数据量限制: 100 GB 到 TB 级别

Routine Load

适用场景: 从 Kafka 实时导入数据。

支持的文件格式: CSV、JSON、Avro(自 3.0.1 版本起支持)

单次导入数据量限制: 微批导入 MB 到 GB 级别

Spark Load

适用场景: 通过 Spark 集群从 HDFS 批量导入 Apache Hive™ 表的数据。

支持的文件格式: CSV、Parquet(自 2.0 版本起支持)、ORC(自 2.0 版本起支持)

单次导入数据量限制: 数十 GB 到 TB 级别

生态工具

Kafka connector

适用场景: 从 Kafka 实时导入数据。

Spark connector

适用场景: 从 Spark 批量导入数据。

适用场景: 从 Flink 实时导入数据。

SMT

适用场景: 通过 Flink 从 MySQL、PostgreSQL、SQL Server、Oracle、Hive、ClickHouse、TiDB 等数据源导入数据。

DataX

适用场景: 在 MySQL、Oracle 等关系型数据库、HDFS、及 Hive 等各种数据源之间同步数据。

CloudCanal

适用场景: 从 MySQL、Oracle、PostgreSQL 等数据库往 StarRocks 迁移或同步数据。

Kettle Connector

适用场景: 集成 Kettle。通过 Kettle 强大的数据处理和转换功能与 StarRocks 高性能的数据存储和分析能力,实现更加灵活和高效的数据处理流程。

API

Stream Load transaction interface

适用场景: 从 Apache Flink®、Apache Kafka® 等外部系统导入数据时,实现跨系统的两阶段(2PC)提交。该特性自 2.4 版本起支持。

支持的文件格式: CSV and JSON

单次导入数据量限制: 10 GB 以内

导入方案选择

这里主要介绍常见数据源支持哪些导入方案,帮助您结合实际场景快速选择合适的导入方案。

对象存储

数据源支持的导入方案
AWS S3
  • (Batch) INSERT INTO SELECT FROM FILES()(自 3.1 版本起支持)
  • (Batch) Broker Load
  • (Batch or streaming) Pipe(自 3.2 版本起支持)
参见从 AWS S3 导入数据
Microsoft Azure Storage
  • (Batch) INSERT INTO SELECT FROM FILES()(自 3.2 版本起支持)
  • (Batch) Broker Load
参见从 Microsoft Azure Storage 导入数据
Google GCS
  • (Batch) INSERT INTO SELECT FROM FILES()(自 3.2 版本起支持)
  • (Batch) Broker Load
参见从 GCS 导入数据
其他兼容 S3 协议的对象存储(如 MinIO)
  • (Batch) INSERT INTO SELECT FROM FILES()(自 3.2 版本起支持)
  • (Batch) Broker Load
参见从 MinIO 导入数据
Alibaba Cloud OSS(Batch) Broker Load
参见从云存储导入
Tencent Cloud COS(Batch) Broker Load
参见从云存储导入
Huawei Cloud OBS(Batch) Broker Load
参见从云存储导入

本地文件系统(包括 NAS)

数据源支持的导入方案
Local file system (including NAS)
  • (Batch) Stream Load
  • (Batch) Broker Load
参见从本地文件系统导入数据

HDFS

数据源支持的导入方案
HDFS
  • (Batch) INSERT INTO SELECT FROM FILES()(自 3.2 版本起支持)
  • (Batch) Broker Load
  • (Batch or streaming) Pipe(自 3.2 版本起支持)
参见从 HDFS 导入数据

Flink、Kafka、及 Spark

数据源支持的导入方案
Apache Flink®
Apache Kafka® NOTE
如果导入过程中有复杂的多表关联和 ETL 预处理,建议先使用 Flink 从 Kafka 读取数据并对数据进行处理,然后再通过 StarRocks 提供的标准插件 Flink connector 把处理后的数据导入到 StarRocks 中。
Apache Spark™

数据湖

数据源支持的导入方案
Apache Hive™
Apache Iceberg(Batch) 创建 Iceberg Catalog,然后通过 INSERT INTO SELECT FROM <table_name> 实现数据导入。
Apache Hudi(Batch) 创建 Hudi Catalog,然后通过 INSERT INTO SELECT FROM <table_name> 实现数据导入。
Delta Lake(Batch) 创建 Delta Lake Catalog,然后通过 INSERT INTO SELECT FROM <table_name> 实现数据导入。
Elasticsearch(Batch) 创建 Elasticsearch Catalog,然后通过 INSERT INTO SELECT FROM <table_name> 实现数据导入。
Apache Paimon(Batch) 创建 Paimon Catalog,然后通过 INSERT INTO SELECT FROM <table_name> 实现数据导入。

StarRocks 从 3.2 版本起支持 Unified Catalog。通过 Unified Catalog,您无需执行数据导入即可统一管理存储在 Hive、Iceberg、Hudi、Delta Lake 数据源里的表数据。

内外部数据库

数据源支持的导入方案
StarRocks(Batch) 创建 StarRocks External Table,然后通过 INSERT INTO VALUES 写入少量数据、或通过 INSERT INTO SELECT FROM <table_name> 写入整张表的数据。
NOTE
StarRocks 外部表只支持数据写入,不支持数据读取。
MySQL
Other databases such as Oracle, PostgreSQL, SQL Server, ClickHouse, and TiDB