Apache Doris使用Stream Load方式insert数据

Stream Load是一种通过HTTP协议进行PUT操作，将数据导入到Doris。数据导入是同步操作，导入完成会返回成功或失败的response。一些具体的使用说明可以通过help stream load获取

1. 数据导入流程

• 方式一，优点是每次的Coordinator可能是不同的BE，减低了压力：
  1. client向FE请求，FE找出一个BE作为Coordinator
  2. client向Coordinator发送数据，Coordinator对数据进行分发，发送到各个BE
  3. Coordinator向client返回发送的结果
• 方式二：
  1. client直接向一个BE1发送数据，BE1对数据进行分发，发送到各个BE
  2. BE1向client返回发送的结果

2. 使用python实现Stream load

import requests
from requests.auth import HTTPBasicAuth
import uuid
import json

if __name__ == '__main__':

    url = 'http://192.168.8.112:7030/api/dataQualitySystem/test/_stream_load'
    json_data = {"records": [{"id": 3, "name": "zhangsan"}, {"id": 4, "name": "lisi"}]}
    doris_headers = {
        'label': str(uuid.uuid1()),
        'format': 'json',
        'expect': '100 continue',
        'strip_outer_array': "true",
        'json_root': '$.records',
        'where': 'id=3'
    }
    auth = HTTPBasicAuth('root', 'Root_123')

    response = requests.put(url=url,
                            json=json_data,
                            headers = doris_headers,
                            auth = auth
                            )

    redict_url = response.url
    redict_headers = {
        'label': str(uuid.uuid1()),
        'format': 'json',
        'strip_outer_array': "true",
        'json_root': '$.records',
        'where': 'id=3'

    }
    redict_response = requests.put(url=redict_url,
                                   json=json_data,
                                   headers = redict_headers,
                                   auth = auth
                                   )
    if json.loads(redict_response.text).get("Status") != "Success":
        ex = Exception(redict_response.text)
        raise ex

    print(redict_response.text)

程序说明如下：

• url变量部分：
  1. 7030端口是fe.conf中的http_port
  2. dataQualitySystem/test分别指数据库和表
• doris_headers字典部分：
  1. 可以自己指定，也可以由doris系统生成，但label需保证在一个database唯一。除了stream load，也不能和其它数据导入方式的label相同
  2. expect: 100 continue表示client先向server发送消息说，我的数据超过了1024字节，server端回应说会接收数据的，之后client再向server端发送数据
  3. strip_outer_array表示导入多条数据，json_root表示多条数据的list对应的key
  4. where表示对导入的数据进行条件过滤
• 因为FE重定向到作为Coordinator的BE，python的requests虽然可以自动实现重定向到Coordinator，但是不能携带账号和密码进行认证，会报异常：no valid Basic authorization，所以自己手动实现重定向到BE(该BE相当于Coordinator)

执行结果如下：

{
    "TxnId": 201601,
    "Label": "c217d2f4-3dc5-11ec-862d-5cbaef5fa158",
    "Status": "Success",
    "Message": "OK",
    "NumberTotalRows": 2,
    "NumberLoadedRows": 1,
    "NumberFilteredRows": 0,
    "NumberUnselectedRows": 1,
    "LoadBytes": 71,
    "LoadTimeMs": 28,
    "BeginTxnTimeMs": 0,
    "StreamLoadPutTimeMs": 4,
    "ReadDataTimeMs": 0,
    "WriteDataTimeMs": 10,
    "CommitAndPublishTimeMs": 13
}

返回结果说明：

• Status: 如果是Publish Timeout，表示导入成功，只是数据暂时对用户不可见
• ExistingJobStatus：如果Label重复，已经存在的Lable的Status
• NumberTotalRows：导入的总数据条数，等于NumberLoadedRows + NumberFilteredRows + NumberUnselectedRows
• NumberLoadedRows：导入成功的数据条数
• NumberFilteredRows：导入失败的数据条数
• NumberUnselectedRows：被where条件过滤的数据条数
• LoadTimeMs：导入完成时间。单位毫秒
• BeginTxnTimeMs：向Fe或BE请求，开始一个事务所花费的时间
• StreamLoadPutTimeMs：向Fe或BE请求，获取导入数据执行计划所花费的时间
• ReadDataTimeMs：读取数据所花费的时间
• WriteDataTimeMs：写入数据操作所花费的时间
• CommitAndPublishTimeMs：向Fe或BE请求，提交并且发布事务所花费的时间

3. Doris HTTP headers参数说明

• max_filter_ratio
  导入数据的容错率，默认为0，范围为0-1，计算方式为：NumberFilteredRows / (NumberLoadedRows + NumberFilteredRows)
• exec_mem_limit：导入的内存限制。默认为 2GB，单位为字节

4. 导入资源设置

• stream_load_default_timeout_second：FE配置，默认300秒，单位为秒，超过该时间的导入任务将被取消变成CANCELLED。可以通过Doris HTTP headers设置或fe.conf进行设置
• streaming_load_max_mb：BE配置，默认10G，单位为MB，用户导入数据的最大限制。只能在be.conf中设置