gpload

    先决条件

    gpload在其上被执行的客户端机器必须具有下列：

    • Python 2.6.2或其后版本、pygresql（Python的PostgreSQL接口）以及pyyaml。注意Python及所需的Python库被包括在Greenplum数据库服务器安装中，因此如果在gpload运行的机器上安装有Greenplum数据库，用户就不需要单独的Python安装。

      注意： Greenplum数据库Loaders for Windows supports only Python 2.5 (available from ).

    • gpfdist并行文件分发程序被安装并且处于$PATH中。这个程序位于用户的Greenplum数据库服务器安装的$GPHOME/bin中。

    • 往来Greenplum数据库阵列（Master和Segment）中所有主机的网络访问。
    • 往来要被装载的数据所在的主机（ETL服务器）的网络访问。

    描述

    gpload是一个数据装载工具，它扮演着Greenplum数据库外部表并行装载特性的接口的角色。通过一个用YAML格式化控制文件定义装载说明，gpload调用Greenplum数据库的并行文件服务器（gpfdist）执行装载，基于源数据的定义创建一个外部表定义，并且指定INSERT、UPDATE或MERGE操作把源数据装载到数据库中的目标表中。

    在目标表上指定多个同时的装载操作时，操作包括在YAML控制文件（）的SQL集合中指定的任何SQL命令会在单个事务中执行以防止不一致的数据。

    -f control_file

    必需。包含装载说明详情的YAML文件。请见控制文件格式。

    --gpfdist_timeout seconds

    为gpfdist并行文件分发程序发送响应设置超时时间。输入一个从0到30秒的值（输入“0”会禁用超时）。注意在高流量网络上可能需要增加这个值。

    -l log_file

    指定在哪里写日志文件。默认是~/gpAdminLogs/gpload_YYYYMMDD。有关日志文件的更多信息请见。

    --no_auto_trans

    如果用户在目标表上执行单个装载操作，可指定--no_auto_trans禁用把装载操作作为单个事务处理的特性。

    默认情况下，在一个目标表上执行多个同时的操作时，gpload把每个装载操作处理为单个事务以防止不一致的数据。

    -q （无屏幕输出）

    运行在静默模式中。命令输出不会被显示在屏幕上，但仍将被写入到日志文件。

    -D （调试模式）

    检查错误情况，但是不执行装载。

    -v （详细模式）

    在装载步骤被执行时，显示它们的详细输出。

    显示非常详细的输出。

    -? （显示帮助）

    显示帮助，然后退出。

    --version

    显示这个工具的版本，然后退出。

    连接选项

    -d database

    要装载到的数据库。如果没有指定，则从装载控制文件、环境变量$PGDATABASE读取或者默认为当前系统用户名。

    -h hostname

    指定Greenplum的Master数据库服务器在其上运行的机器的主机名。如果没有指定，会从装载控制文件、环境变量$PGHOST读取或者默认为localhost。

    -p port

    指定Greenplum的Master数据库服务器在其上监听连接的TCP端口。如果没有指定，会从装载控制文件、环境变量$PGPORT读取或者默认为5432。

    -U username

    要用其进行连接的数据库角色名。如果没有指定，会从装载控制文件、环境变量$PGUSER读取或者默认为当前系统用户名。

    -W （强制口令提示）

    强制口令提示。如果没有指定，会从环境变量$PGPASSWORD、 $PGPASSFILE指定的口令文件或~/.pgpass中的口令文件中读取口令。如果这些都没有设置，即使没有提供-W，gpload也将提示要求一个口令。

    控制文件格式

    gpload控制文件使用文档格式，然后为定义Greenplum数据库装载操作的多个步骤实现了其自身的模式。该控制文件必须是一个有效的YAML文档。

    gpload程序按顺序处理控制文件文档并且使用缩进（空格）来判断文档层次以及小节之间的关系。空格的使用是有意义的。不能把空格简单地用于格式化目的，并且完全不能使用制表符。

    一个装载控制文件的基础结构是：

    2. VERSION: 1.0.0.1
    3. DATABASE: db_name
    4. USER: db_username
    5. HOST: master_hostname
    6. PORT: master_port
    7. GPLOAD:
    8.    INPUT:
    9.     - SOURCE:
    10.          LOCAL_HOSTNAME:
    11.            - hostname_or_ip
    12.          PORT: http_port
    13.        | PORT_RANGE: [start_port_range, end_port_range]
    14.          FILE: 
    15.            - /path/to/input_file
    16.          SSL: true | false
    17.          CERTIFICATES_PATH: /path/to/certificates
    18.     - FULLY_QUALIFIED_DOMAIN_NAME: true | false
    19.     - COLUMNS:
    20.            - field_name: data_type
    21.     - TRANSFORM: 'transformation'
    22.     - TRANSFORM_CONFIG: 'configuration-file-path' 
    23.     - MAX_LINE_LENGTH: integer 
    24.     - FORMAT: text | csv
    25.     - DELIMITER: 'delimiter_character'
    26.     - ESCAPE: 'escape_character' | 'OFF'
    27.     - NULL_AS: 'null_string'
    28.     - FORCE_NOT_NULL: true | false
    29.     - QUOTE: 'csv_quote_character'
    30.     - HEADER: true | false
    31.     - ENCODING: database_encoding
    32.     - ERROR_LIMIT: integer
    33.     - LOG_ERRORS: true | false
    34.    EXTERNAL:
    35.       - SCHEMA: schema | '%'
    36.    OUTPUT:
    37.     - TABLE: schema.table_name
    38.     - MODE: insert | update | merge
    39.     - MATCH_COLUMNS:
    40.            - target_column_name
    41.     - UPDATE_COLUMNS:
    42.            - target_column_name
    43.     - UPDATE_CONDITION: 'boolean_condition'
    44.     - MAPPING:
    45.               target_column_name: source_column_name | 'expression'
    46.    PRELOAD:
    47.     - TRUNCATE: true | false
    48.     - REUSE_TABLES: true | false
    49.    SQL:
    50.     - BEFORE: "sql_command"
    51.     - AFTER: "sql_command"

    VERSION

    可选。gpload控制文件模式的版本。当前版本是1.0.0.1。

    可选。指定Greenplum数据库系统要连接到哪个数据库。如果没有指定则默认为$PGDATABASE。如果$PGDATABASE也没有设置，则默认为当前系统用户名。用户还可以在命令行上用-d选项指定数据库。

    USER

    可选。指定用于连接的数据库角色。如果没有指定，默认为当前用户或者$PGUSER（如果设置）。用户还可以在命令行上用-U选项指定数据库角色。

    如果运行gpload的用户不是Greenplum数据库的超级用户，那么必须为该用户授予适当的权力。更多信息请见Greenplum数据库参考指南。

    HOST

    可选。指定Greenplum数据库的Master主机名。如果没有指定，默认为localhost或者$PGHOST（如果设置）。用户还可以在命令行上用-h选项指定Master主机名。

    PORT

    可选。指定Greenplum数据库的Master端口。如果没有指定，默认为5432或者$PGPORT（如果设置）。用户还可以在命令行上用-p选项指定Master端口。

    GPLOAD

    必需。开始装载说明小节。GPLOAD说明必须定义有一个INPUT小节和一个OUTPUT小节。- INPUT

    1. 必需。定义要装载的输入数据的位置和格式。gpload将在当前主机上启动[gpfdist]($4ad103d5a1955940.md#topic1)文件分布程序的一个或者更多实例并且在Greenplum数据库中创建指向源数据的外部表定义。注意在其上运行gpload的主机必须对所有的Greenplum数据库主机（Master和Segment）通过网络可访问。-   SOURCE
    3.     必需。INPUT说明的SOURCE块定义源文件的位置。一个INPUT小节可以定义多个SOURCE块。每个定义的SOURCE块对应于将在本地机器上启动的一个[gpfdist]($4ad103d5a1955940.md#topic1)文件分布程序的实例。每个定义的SOURCE块必须有一个FILE说明。
    5.     更多关于使用gpfdist并行文件服务器和单个以及多个gpfdist实例的信息，请见Greenplum数据库管理员指南中的“装载和卸载数据”。
    7.     LOCAL\_HOSTNAME
    9.     可选。指定gpload运行其上的本地机器的主机名或者IP地址。如果这个机器被配置有多个网络接口卡（NIC），用户可以指定每块NIC的主机名或者IP，以便允许网络流量同时使用所有的NIC。默认是仅使用本地机器的主要主机名或者IP。
    11.     PORT
    13.     可选。指定[gpfdist]($4ad103d5a1955940.md#topic1)文件分布程序应该使用的特定端口号。用户还可以提供一个PORT\_RANGE来从指定的范围中选择可用的端口。如果PORT和PORT\_RANGE同时被定义，那么PORT优先。如果PORT和PORT\_RANGE都没有定义，默认为在8000和9000之间选择一个可用端口。
    15.     如果在LOCAL\_HOSTNAME中声明多个主机名，这个端口号被用于所有主机。如果用户想要使用所有的NIC装载一个给定目录位置的同一个文件或者文件集合，这种配置就是用户想要的。
    17.     PORT\_RANGE
    19.     可选。可被用来代替PORT提供一个端口号范围，gpload可以从其中为这个[gpfdist]($4ad103d5a1955940.md#topic1)文件分布程序实例选择一个可用的端口。
    21.     FILE
    23.     必需。指定本地文件系统上的一个文件位置、命名管道或者目录位置，其中包含要被装载的数据。用户可以声明多于一个文件，只要所有指定文件中数据的格式相同。
    25.     如果这些文件被使用gzip或者bzip2（有.gz或者.bz2文件扩展名）压缩，这些文件将被自动解压缩（在用户路径中有gunzip或者bunzip2）。
    27.     在指定要装载哪些源文件时，用户可以使用通配符（\*）或其他C风格的模式匹配来指示多个文件。被指定的文件假定在相对于gpload被执行的当前目录的位置（或者用户可以声明绝对路径）。
    29.     SSL
    30.     可选。指定SSL加密的使用。如果SSL被设置为true，gpload用\--ssl启动 gpfdist服务器并且使用gpfdists://协议。
    32.     CERTIFICATES\_PATH
    34.     当SSL为true时必需；当SSL为false或者没有指定时不能指定这个参数。CERTIFICATES\_PATH中指定的位置必须包含下列文件：
    36.     -   服务器证书文件server.crt
    37.     -   服务器私钥文件server.key
    38.     -   可信证书机构root.crt
    40.     根目录（/）不能被指定为CERTIFICATES\_PATH。
    42.     FULLY\_QUALIFIED\_DOMAIN\_NAME
    44.     可选。指定gpload是否把主机名解析成完全限定的域名（FQDN）或者本地主机名。如果值被设置为true，名称会被解析到FQDN。如果该值被设置为false，则解析到本地主机名。默认是false。
    46.     在某些情况下可能要求一个完全限定的域名。例如，如果Greenplum数据库系统在与ETL应用不同的域且该域能够被gpload。
    48.     COLUMNS
    50.     可选。以field\_name:data\_type这样的格式指定源数据文件的模式。源文件中的DELIMITER字符是分隔两个数据值域（列）的东西。一行由一个换行字符（0x0a决定）。
    52.     如果输入COLUMNS没有指定，则使用输出TABLE的模式，意味着源数据必须与目标表具有相同的列序、列数以及数据格式。
    54.     默认的source-to-target映射基于这一节定义的列名与目标TABLE中列名之间的匹配。默认映射可以使用MAPPING小节覆盖。
    56.     TRANSFORM
    58.     可选。指定传递给gpload的输入转换的名字。有关XML转换的信息，请见Greenplum数据库管理员指南中的“装载和卸载数据”。
    60.     TRANSFORM\_CONFIG
    62.     当Required when TRANSFORM被指定时，这个元素是必需的。指定在上面TRANSFORM参数中指定的转换的配置文件位置。
    64.     MAX\_LINE\_LENGTH
    66.     可选。一个整数，指定传递给gpload的XML转换数据中一行的最大长度。
    68.     FORMAT
    70.     可选。指定源数据文件的格式：纯文本（TEXT）格式，逗号分隔值（CSV）格式。如果没有指定，这个默认为TEXT。更多有关源数据格式的信息，请见Greenplum数据库管理员指南中的“装载和卸载数据”。
    72.     DELIMITER
    74.     可选。指定在每行数据内分隔列的单个ASCII字符。在TEXT模式中默认是一个制表符，在CSV模式中默认是一个逗号。用户还可以指定一个非可打印ASCII字符或者非可打印Unicode字符，例如："\\x1B"或者 "\\u001B"。对于非可打印字符也支持转义字符串语法E'character-code'。ASCII或Unicode字符必须被封闭在单引号中。例如：E'\\x1B'或者E'\\u001B'。
    76.     ESCAPE
    78.     指定用于C转义序列（例如\\n、\\t、\\100等等）以及转义可能被当作行列定界符的数据字符的单个字符。确保选择一个在实际列数据中任何地方都没有使用的转义字符。文本格式文件的默认转义字符是一个\\（反斜线），csv格式文件的默认转义字符是一个"（双引号）。不过可以指定另一个字符来表示转义。还可以在文本格式文件中通过指定'OFF'值作为转义值来禁用转义。这对于其中嵌有很多不准备作为转义字符的反斜线的文本格式的Web日志数据非常有用。
    80.     NULL\_AS
    82.     可选。指定表示空值的字符串。TEXT模式中默认是\\N（反斜线-N），CSV模式中默认是没有引用的空的值。即便在TEXT模式中，对于想要把空值与空字符串区分开来的情况，用户也可以使用空字符串。任何匹配这个字符串的源数据项将被认为是一个空值。
    84.     FORCE\_NOT\_NULL
    86.     可选。在CSV模式中，处理每个被指定的列，仿佛它被引用并且因此不是一个NULL值。对于CSV模式中的默认空值字符串（两个定界符之间什么都没有），这导致缺失的值被计算为长度为零的字符串。
    88.     QUOTE
    90.     当FORMAT是CSV时，这个元素是必需的。为CSV模式指定引用字符。默认是双引号（"）。
    92.     HEADER
    94.     可选。指定数据文件中的第一行是一个头部行（包含列名）并且不应被包括在要被装载的数据中。如果使用多个数据源文件，所有的文件必须有一个头部行。默认是假定输入文件没有头部行。
    96.     ENCODING
    98.     可选。源数据的字符集编码。可指定一个字符串常量（例如'SQL\_ASCII'）、一个整数编码编号，或者指定'DEFAULT'以使用默认客户端编码。如果没有指定，默认的客户端编码会被使用。有关支持的字符集的信息，请见Greenplum数据库参考指南。
    100.     ERROR\_LIMIT
    102.     可选。为这个装载操作启用单行错误隔离模式。当被启用时，在输入被处理期间只要没有达到错误限制计数，任何Greenplum数据库Segment会抛弃有格式错误的输入行。如果错误限制没有达到，所有好的行将会被装载并且任何错误行都将被抛弃或者被捕捉在错误日志信息中。默认是在遇到第一个错误时中止装载操作。注意单行错误隔离只适用于有格式错误的数据行，例如有额外或者缺失的属性、有错误数据类型的属性或者有无效的客户端编码序列。如果遇到约束错误（例如主键约束）仍将导致装载操作中止。有关处理装载错误的信息，请见Greenplum数据库管理员指南中的“装载和卸载数据”。
    104.     LOG\_ERRORS
    106.     当ERROR\_LIMIT被声明时，这个元素是可选的。值可以是true或者false。默认值是false。如果值是true，当运行在单行错误隔离模式中时，格式错误的行会被内部记录下来。用户可以用Greenplum数据库的内建SQL函数gp\_read\_error\_log('table\_name')检查格式错误。如果在装载数据时检测到格式错误，gpload会用包含错误信息的表的名字生成一个警告消息，看起来类似于这个消息。
    108.     ```
    109.     timestamp|WARN|1 bad row, please use GPDB built-in function gp_read_error_log('table-name') 
    110.        to access the detailed error row
    111.     ```
    113.     如果LOG\_ERRORS: true被指定，必须指定REUSE\_TABLES: true以便在Greenplum数据库的错误日志中保留格式错误。如果没有指定REUSE\_TABLES: true，错误信息会在gpload操作后被删除。只有关于格式错误的总结信息会被返回。用户可以用Greenplum数据库的函数gp\_truncate\_error\_log()从错误日志中删除格式错误。
    115.     更多有关处理装载错误的信息，请见Greenplum数据库管理员指南中的“装载和卸载数据”。有关gp\_read\_error\_log()函数的信息，请见Greenplum数据库参考指南中的CREATE EXTERNAL TABLE命令。
    117.     EXTERNAL
    119.     可选。定义gpload创建的外部表数据库对象所属的方案。
    121.     默认是使用Greenplum数据库的search\_path。
    124.     当EXTERNAL被声明时，这个元素是必需的。外部表所在的方案的名称。如果该方案不存在，会返回一个错误。
    126.     如果%（百分号字符）被指定，会使用OUTPUT小节中TABLE指定的表名的方案。如果这个表名没有指定一个方案，则会使用默认方案。
    129. OUTPUT
    131. 必需。定义要被装载到数据库中的目标表和最终数据列值。-   TABLE
    133.     必需。要装载到其中的目标表名。
    135.     MODE
    137.     可选。如果没有指定，则默认为INSERT。有三种可用的装载模式：
    139.     INSERT - 使用下列方法装载数据到目标表中：
    141.     ```
    142.     INSERT INTO target_table SELECT * FROM input_data;
    143.     ```
    145.     UPDATE - 更新目标表中MATCH\_COLUMNS属性值等于输入数据并且UPDATE\_CONDITION为true（可选条件）的行的UPDATE\_COLUMNS。
    147.     MERGE - 插入新行并且更新FOOBAR属性值等于相应输入数据而且MATCH\_COLUMNS为true（可选条件）的已有行的UPDATE\_COLUMNS。当源数据中的MATCH\_COLUMNS值在目标表数据中没有相应值时会被标识成新行。在那种情况下，源文件中的**整个行**会被插入，而不仅仅是MATCH和UPDATE列。如果有多个相等的新MATCH\_COLUMNS值，只有其中一个新行将被插入。使用UPDATE\_CONDITION可过滤掉要抛弃的行。
    149.     MATCH\_COLUMNS
    151.     如果MODE为UPDATE或者MERGE，则这个元素是必需的。指定被用作更新的连接条件的列。对于要在目标表中更新的行，指定目标列中的属性值必须等于相应的源数据列值。
    153.     UPDATE\_COLUMNS
    155.     如果MODE为UPDATE或者MERGE，则这个元素是必需的。指定对符合MATCH\_COLUMNS条件和可选UPDATE\_CONDITION的行要更新的列。
    157.     UPDATE\_CONDITION
    159.     可选。指定目标表中要被更新的行（在MERGE情况下是要被插入的行）必须满足的一个布尔条件（类似于在WHERE子句中声明的那样）。
    161.     MAPPING
    163.     可选。如果指定一个映射，它会覆盖默认的source-to-target列映射。默认的source-to-target映射基于源COLUMNS小节定义的列名与目标TABLE中列名之间的匹配。映射可以被指定为：
    165.     target\_column\_name: source\_column\_name
    167.     或者
    169.     target\_column\_name: 'expression'
    171.     其中expression是在查询的SELECT列表中指定的任意表达式，例如常量值、列引用、操作符调用、函数调用等等。

    PRELOAD

    可选。指定在装载操作之前运行的操作。目前唯一的预装载操作是TRUNCATE。- TRUNCATE

    SQL

    可选。定义在装载操作之前或者之后要运行的SQL命令。用户可以指定多个BEFORE或者AFTER命令。按照想要的执行顺序列出命令。- BEFORE

    1. 可选。在装载操作开始之前要运行的一个SQL命令。将命令封闭在引号中。
    3. AFTER
    5. 可选。在装载操作完成之后要运行的一个SQL命令。将命令封闭在引号中。

    日志文件格式

    gpload输出的日志文件具有下面的格式：

    1. timestamp|level|message

    其中timestamp的形式是： YYYY-MM-DD HH:MM:SS，level是DEBUG、LOG、INFO、ERROR中间的一个，而message是普通文本消息。

    日志文件中可能让人感兴趣的一些INFO消息是（其中#对应于实际的秒数、数据的单位或者失败的行）：

    如果用户的数据库对象名使用双引号标识符（定界的标识符）创建，用户必须在gpload控制文件中用单引号指定定界的名称。例如，如果用户这样创建一个表：

    1. CREATE TABLE "MyTable" ("MyColumn" text);

    用户的YAML格式的gpload控制文件应该按如下方式引用上述表和列名：

    1. - COLUMNS:
    2.    - '"MyColumn"': text
    3. OUTPUT:
    4.    - TABLE: public.'"MyTable"'

    示例

    按my_load.yml中的定义运行一个装载作业：

    装载控制文件的例子：

    1. ---
    2. VERSION: 1.0.0.1
    3. DATABASE: ops
    4. USER: gpadmin
    5. HOST: mdw-1
    6. PORT: 5432
    7. GPLOAD:
    8.    INPUT:
    9.     - SOURCE:
    10.          LOCAL_HOSTNAME:
    11.            - etl1-1
    12.            - etl1-2
    13.            - etl1-3
    14.            - etl1-4
    15.          PORT: 8081
    16.          FILE: 
    17.            - /var/load/data/*
    18.     - COLUMNS:
    19.            - name: text
    20.            - amount: float4
    21.            - category: text
    22.            - desc: text
    23.            - date: date
    24.     - FORMAT: text
    25.     - DELIMITER: '|'
    26.     - ERROR_LIMIT: 25
    27.     - LOG_ERRORS: true
    28.    OUTPUT:
    29.     - TABLE: payables.expenses
    30.     - MODE: INSERT
    31.    PRELOAD:
    32.     - REUSE_TABLES: true 
    33.    SQL:
    34.    - AFTER: "INSERT INTO audit VALUES('end', current_timestamp)"

    另见