StarRocks 通过导入实现数据变更

StarRocks 的主键模型支持通过 Stream Load、Broker Load 或 Routine Load 导入作业，对 StarRocks 表进行数据变更，包括插入、更新和删除数据。不支持通过 Spark Load 导入作业或 INSERT 语句对 StarRocks 表进行数据变更。 StarRocks 还支持部分更新 (Partial Update) 和条件更新 (Conditional Update)。 本文以 CSV 格式的数据文件为例介绍如何通过导入实现数据变更。具体支持的数据文件类型，跟您选择的导入方式有关。

说明 对于 CSV 格式的数据，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 (|)。

内部实现

StarRocks 的主键模型目前支持 UPSERT 和 DELETE 操作，不支持区分 INSERT 和 UPDATE 操作。 在创建导入作业时，StarRocks 支持在导入作业的创建语句或命令中添加 __op 字段，用于指定操作类型。

说明 不需要在创建 StarRocks 表时添加 __op 列。

不同的导入方式，定义 __op 字段的方法也不相同：

• 如果使用 Stream Load 导入方式，需要通过 columns 参数来定义 __op 字段。
• 如果使用 Broker Load 导入方式，需要通过 SET 子句来定义 __op 字段。
• 如果使用 Routine Load 导入方式，需要通过 COLUMNS 参数来定义 __op 字段。

根据要做的数据变更操作，您可以选择添加或者不添加 __op 字段。不添加 __op 字段的话，默认为 UPSERT 操作。主要涉及的数据变更操作场景如下：

• 当数据文件只涉及 UPSERT 操作时，可以不添加 __op 字段。
• 当数据文件只涉及 DELETE 操作时，必须添加 __op 字段，并且指定操作类型为 DELETE。
• 当数据文件中同时包含 UPSERT 和 DELETE 操作时，必须添加 __op 字段，并且确保数据文件中包含一个代表操作类型的列，取值为 0 或 1。其中，取值为 0 时代表 UPSERT 操作，取值为 1 时代表 DELETE 操作。

使用说明

• 必须确保待导入的数据文件中每一行的列数都相同。
• 所更新的列必须包含主键列。

前提条件

Broker Load

参见从 HDFS 或外部云存储系统导入数据中的“背景信息”小节。

Routine Load

如果使用 Routine Load 导入数据，必须确保您的 Apache Kafka® 集群已创建 Topic。本文假设您已部署四个 Topic，分别为 topic1、topic2、topic3 和 topic4。

基本操作

下面通过几个示例来展示具体的导入操作。有关使用 Stream Load、Broker Load 和 Routine Load 导入数据的详细语法和参数介绍，请参见 STREAM LOAD、BROKER LOAD 和 CREATE ROUTINE LOAD。

UPSERT

当数据文件只涉及 UPSERT 操作时，可以不添加 __op 字段。 如果您添加 __op 字段：

• 可以指定 __op 为 UPSERT 操作。
• 也可以不做任何指定，StarRocks 默认导入为 UPSERT 操作。

数据样例

1. 准备数据文件。 a. 在本地文件系统创建一个 CSV 格式的数据文件 example1.csv。文件包含三列，分别代表用户 ID、用户姓名和用户得分，如下所示：

   101,Lily,100
   102,Rose,100

   b. 把 example1.csv 文件中的数据上传到 Kafka 集群的 topic1 中。
2. 准备 StarRocks 表。 a. 在数据库 test_db 中创建一张名为 table1 的主键模型表。表包含 id、name 和 score 三列，分别代表用户 ID、用户名称和用户得分，主键为 id 列，如下所示：

   CREATE TABLE `table1`
   (
       `id` int(11) NOT NULL COMMENT "用户 ID",
       `name` varchar(65533) NOT NULL COMMENT "用户姓名",
       `score` int(11) NOT NULL COMMENT "用户得分"
   )
   ENGINE=OLAP
   PRIMARY KEY(`id`)
   DISTRIBUTED BY HASH(`id`);

   说明 自 2.5.7 版本起，StarRocks 支持在建表和新增分区时自动设置分桶数量 (BUCKETS)，您无需手动设置分桶数量。更多信息，请参见 确定分桶数量。

   b. 向 table1 表中插入一条数据，如下所示：

   INSERT INTO table1 VALUES
       (101, 'Lily',80);

导入数据

通过导入，把 example1.csv 文件中 id 为 101 的数据更新到 table1 表中，并且把 example1.csv 文件中 id 为 102 的数据插入到 table1 表中。

• 通过 Stream Load 导入：
  • 不添加 __op 字段：

    curl --location-trusted -u <username>:<password> \
        -H "Expect:100-continue" \
        -H "label:label1" \
        -H "column_separator:," \
        -T example1.csv -XPUT \
        http://<fe_host>:<fe_http_port>/api/test_db/table1/_stream_load

  • 添加 __op 字段：

    curl --location-trusted -u <username>:<password> \
        -H "Expect:100-continue" \
        -H "label:label2" \
        -H "column_separator:," \
        -H "columns:__op ='upsert'" \
        -T example1.csv -XPUT \
        http://<fe_host>:<fe_http_port>/api/test_db/table1/_stream_load

• 通过 Broker Load 导入：
  • 不添加 __op 字段：

    LOAD LABEL test_db.label1
    (
        data infile("hdfs://<hdfs_host>:<hdfs_port>/example1.csv")
        into table table1
        columns terminated by ","
        format as "csv"
    )
    with broker

  • 添加 __op 字段：

    LOAD LABEL test_db.label2
    (
        data infile("hdfs://<hdfs_host>:<hdfs_port>/example1.csv")
        into table table1
        columns terminated by ","
        format as "csv"
        set (__op = 'upsert')
    )
    with broker

• 通过 Routine Load 导入：
  • 不添加 __op 字段：

    CREATE ROUTINE LOAD test_db.table1 ON table1
    COLUMNS TERMINATED BY ",",
    COLUMNS (id, name, score)
    PROPERTIES
    (
        "desired_concurrent_number" = "3",
        "max_batch_interval" = "20",
        "max_batch_rows"= "250000",
        "max_error_number" = "1000"
    )
    FROM KAFKA
    (
        "kafka_broker_list" ="<kafka_broker_host>:<kafka_broker_port>",
        "kafka_topic" = "test1",
        "property.kafka_default_offsets" ="OFFSET_BEGINNING"
    );

  • 添加 __op 字段：

    CREATE ROUTINE LOAD test_db.table1 ON table1
    COLUMNS TERMINATED BY ",",
    COLUMNS (id, name, score, __op ='upsert')
    PROPERTIES
    (
        "desired_concurrent_number" = "3",
        "max_batch_interval" = "20",
        "max_batch_rows"= "250000",
        "max_error_number" = "1000"
    )
    FROM KAFKA
    (
        "kafka_broker_list" ="<kafka_broker_host>:<kafka_broker_port>",
        "kafka_topic" = "test1",
        "property.kafka_default_offsets" ="OFFSET_BEGINNING"
    );

查询数据

导入完成后，查询 table1 表的数据，如下所示：

SELECT * FROM table1;
+------+------+-------+
| id   | name | score |
+------+------+-------+
|  101 | Lily |   100 |
|  102 | Rose |   100 |
+------+------+-------+
2 rows in set (0.02 sec)

从查询结果可以看到，example1.csv 文件中 id 为 101 的数据已经更新到 table1 表中，并且 example1.csv 文件中 id 为 102 的数据已经插入到 table1 表中。

DELETE

当数据文件只涉及 DELETE 操作时，必须添加 __op 字段，并且指定操作类型为 DELETE。

数据样例

1. 准备数据文件。 a. 在本地文件系统创建一个 CSV 格式的数据文件 example2.csv。文件包含三列，分别代表用户 ID、用户姓名和用户得分，如下所示： 101,Jack,100 b. 把 example2.csv 文件中的数据上传到 Kafka 集群的 topic2 中。
2. 准备 StarRocks 表。 a. 在数据库 test_db 中创建一张名为 table2 的主键模型表。表包含 id、name 和 score 三列，分别代表用户 ID、用户名称和用户得分，主键为 id 列，如下所示：

   CREATE TABLE `table2`
   (
       `id` int(11) NOT NULL COMMENT "用户 ID",
       `name` varchar(65533) NOT NULL COMMENT "用户姓名",
       `score` int(11) NOT NULL COMMENT "用户得分"
   )
   ENGINE=OLAP
   PRIMARY KEY(`id`)
   DISTRIBUTED BY HASH(`id`);

   说明 自 2.5.7 版本起，StarRocks 支持在建表和新增分区时自动设置分桶数量 (BUCKETS)，您无需手动设置分桶数量。更多信息，请参见 确定分桶数量。

   b. 向 table2 表中插入数据，如下所示：

   INSERT INTO table2 VALUES
       (101, 'Jack', 100),
       (102, 'Bob', 90);

导入数据

通过导入，把 example2.csv 文件中 id 为 101 的数据从 table2 表中删除。

• 通过 Stream Load 导入：

  curl --location-trusted -u <username>:<password> \
      -H "Expect:100-continue" \
      -H "label:label3" \
      -H "column_separator:," \
      -H "columns:__op='delete'" \
      -T example2.csv -XPUT \
      http://<fe_host>:<fe_http_port>/api/test_db/table2/_stream_load

• 通过 Broker Load 导入：

  LOAD LABEL test_db.label3
  (
      data infile("hdfs://<hdfs_host>:<hdfs_port>/example2.csv")
      into table table2
      columns terminated by ","
      format as "csv"
      set (__op = 'delete')
  )
  with broker

• 通过 Routine Load 导入：

  CREATE ROUTINE LOAD test_db.table2 ON table2
  COLUMNS(id, name, score, __op = 'delete')
  PROPERTIES
  (
      "desired_concurrent_number" = "3",
      "max_batch_interval" = "20",
      "max_batch_rows"= "250000",
      "max_error_number" = "1000"
  )
  FROM KAFKA
  (
      "kafka_broker_list" ="<kafka_broker_host>:<kafka_broker_port>",
      "kafka_topic" = "test2",
      "property.kafka_default_offsets" ="OFFSET_BEGINNING"
  );

查询数据

导入完成后，查询 table2 表的数据，如下所示：

SELECT * FROM table2;
+------+------+-------+
| id   | name | score |
+------+------+-------+
|  102 | Bob  |    90 |
+------+------+-------+
1 row in set (0.00 sec)

从查询结果可以看到，example2.csv 文件中 id 为 101 的数据已经从 table2 表中删除。

UPSERT 和 DELETE

当数据文件中同时包含 UPSERT 和 DELETE 操作时，必须添加 __op 字段，并且确保数据文件中包含一个代表操作类型的列，取值为 0 或 1。其中，取值为 0 时代表 UPSERT 操作，取值为 1 时代表 DELETE 操作。

数据样例

1. 准备数据文件。 a. 在本地文件系统创建一个 CSV 格式的数据文件 example3.csv。文件包含四列，分别代表用户 ID、用户姓名、用户得分和操作类型，如下所示：

   101,Tom,100,1
   102,Sam,70,0
   103,Stan,80,0

   b. 把 example3.csv 文件中的数据上传到 Kafka 集群的 topic3 中。
2. 准备 StarRocks 表。 a. 在数据库 test_db 中创建一张名为 table3 的主键模型表。表包含 id、name 和 score 三列，分别代表用户 ID、用户名称和用户得分，主键为 id 列，如下所示：

   CREATE TABLE `table3`
   (
       `id` int(11) NOT NULL COMMENT "用户 ID",
       `name` varchar(65533) NOT NULL COMMENT "用户姓名",
       `score` int(11) NOT NULL COMMENT "用户得分"
   )
   ENGINE=OLAP
   PRIMARY KEY(`id`)
   DISTRIBUTED BY HASH(`id`);

   说明 自 2.5.7 版本起，StarRocks 支持在建表和新增分区时自动设置分桶数量 (BUCKETS)，您无需手动设置分桶数量。更多信息，请参见 确定分桶数量。

   b. 向 table3 表中插入数据，如下所示：

   INSERT INTO table3 VALUES
       (101, 'Tom', 100),
       (102, 'Sam', 90);

导入数据

通过导入，把 example3.csv 文件中 id 为 101 的数据从 table3 表中删除，把 example3.csv 文件中 id 为 102 的数据更新到 table3 表，并且把 example3.csv 文件中 id 为 103 的数据插入到 table3 表：

• 通过 Stream Load 导入：

  curl --location-trusted -u <username>:<password> \
      -H "Expect:100-continue" \
      -H "label:label4" \
      -H "column_separator:," \
      -H "columns: id, name, score, temp, __op = temp" \
      -T example3.csv -XPUT \
      http://<fe_host>:<fe_http_port>/api/test_db/table3/_stream_load

  说明 上述示例中，通过 columns 参数把 example3.csv 文件中代表组别代码的第四列临时命名为 temp，然后定义 __op 字段等于临时命名的 temp 列。这样，StarRocks 可以根据 example3.csv 文件中第四列的取值是 0 还是 1 来确定执行 UPSERT 还是 DELETE 操作。

• 通过 Broker Load 导入：

  LOAD LABEL test_db.label4
  (
      data infile("hdfs://<hdfs_host>:<hdfs_port>/example1.csv")
      into table table1
      columns terminated by ","
      format as "csv"
      (id, name, score, temp)
      set (__op=temp)
  )
  with broker

• 通过 Routine Load 导入：

  CREATE ROUTINE LOAD test_db.table3 ON table3
  COLUMNS(id, name, score, temp, __op = temp)
  PROPERTIES
  (
      "desired_concurrent_number" = "3",
      "max_batch_interval" = "20",
      "max_batch_rows"= "250000",
      "max_error_number" = "1000"
  )
  FROM KAFKA
  (
      "kafka_broker_list" = "<kafka_broker_host>:<kafka_broker_port>",
      "kafka_topic" = "test3",
      "property.kafka_default_offsets" = "OFFSET_BEGINNING"
  );

查询数据

导入完成后，查询 table3 表的数据，如下所示：

SELECT * FROM table3;
+------+------+-------+
| id   | name | score |
+------+------+-------+
|  102 | Sam  |    70 |
|  103 | Stan |    80 |
+------+------+-------+
2 rows in set (0.01 sec)

从查询结果可以看到，example3.csv 文件中 id 为 101 的数据已经从 table3 表中删除，example3.csv 文件中 id 为 102 的数据已经更新到 table3 表中，并且 example3.csv 文件中 id 为 103 的数据已经插入到 table3 表中。

部分更新

自 StarRocks v2.2 起，主键模型表支持部分更新 (Partial Update)，您可以选择只更新部分指定的列。这里以 CSV 格式的数据文件为例进行说明。

数据样例

1. 准备数据文件。 a. 在本地文件系统创建一个 CSV 格式的数据文件 example4.csv。文件包含两列，分别代表用户 ID 和用户姓名，如下所示：

   101,Lily
   102,Rose
   103,Alice

   b. 把 example4.csv 文件中的数据上传到 Kafka 集群的 topic4 中。
2. 准备 StarRocks 表。 a. 在数据库 test_db 中创建一张名为 table4 的主键模型表。表包含 id、name 和 score 三列，分别代表用户 ID、用户名称和用户得分，主键为 id 列，如下所示：

   CREATE TABLE `table4`
   (
       `id` int(11) NOT NULL COMMENT "用户 ID",
       `name` varchar(65533) NOT NULL COMMENT "用户姓名",
       `score` int(11) NOT NULL COMMENT "用户得分"
   )
   ENGINE=OLAP
   PRIMARY KEY(`id`)
   DISTRIBUTED BY HASH(`id`);

   说明 自 2.5.7 版本起，StarRocks 支持在建表和新增分区时自动设置分桶数量 (BUCKETS)，您无需手动设置分桶数量。更多信息，请参见 确定分桶数量。

   b. 向 table4 表中插入一条数据，如下所示：

   INSERT INTO table4 VALUES
       (101, 'Tom',80);

导入数据

通过导入，把 example4.csv 里的两列数据更新到 table4 表的 id 和 name 两列。

• 通过 Stream Load 导入：

  curl --location-trusted -u <username>:<password> \
      -H "Expect:100-continue" \
      -H "label:label7" -H "column_separator:," \
      -H "partial_update:true" \
      -H "columns:id,name" \
      -T example4.csv -XPUT \
      http://<fe_host>:<fe_http_port>/api/test_db/table4/_stream_load

  说明 使用 Stream Load 导入数据时，需要设置 partial_update 为 true，以开启部分更新特性。另外，还需要在 columns 中声明待更新数据的列的名称。

• 通过 Broker Load 导入：

  LOAD LABEL test_db.table4
  (
      data infile("hdfs://<hdfs_host>:<hdfs_port>/example4.csv")
      into table table4
      format as "csv"
      (id, name)
  )
  with broker
  properties
  (
      "partial_update" = "true"
  );

  说明 使用 Broker Load 导入数据时，需要设置 partial_update 为 true，以开启部分更新特性。另外，还需要在 column_list 中声明待更新数据的列的名称。

• 通过 Routine Load 导入：

  CREATE ROUTINE LOAD test_db.table4 on table4
  COLUMNS (id, name),
  COLUMNS TERMINATED BY ','
  PROPERTIES
  (
      "partial_update" = "true"
  )
  FROM KAFKA
  (
      "kafka_broker_list" ="<kafka_broker_host>:<kafka_broker_port>",
      "kafka_topic" = "test4",
      "property.kafka_default_offsets" ="OFFSET_BEGINNING"
  );

  说明 使用 Routine Load 导入数据时，需要设置 partial_update 为 true，以开启部分更新特性。另外，还需要在 COLUMNS 中声明待更新数据的列的名称。

查询数据

导入完成后，查询 table4 表的数据，如下所示：

SELECT * FROM table4;
+------+-------+-------+
| id   | name  | score |
+------+-------+-------+
|  102 | Rose  |     0 |
|  101 | Lily  |    80 |
|  103 | Alice |     0 |
+------+-------+-------+
3 rows in set (0.01 sec)

从查询结果可以看到，example4.csv 文件中 id 为 101 的数据已经更新到 table4 表中，并且 example4.csv 文件中 id 为 102 和 103 的数据已经插入到 table4 表中。

条件更新

自 StarRocks v2.5 起，主键模型表支持条件更新 (Conditional Update)。您可以指定某一非主键列为更新条件，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。 条件更新功能用于解决数据乱序的问题。如果上游数据发生乱序，可以使用条件更新功能保证新的数据不被老的数据覆盖。

说明

• 不支持给同一批导入的数据指定不同的条件。
• 不支持删除操作。
• 不支持同部分更新一并使用。
• 当前仅 Stream Load 和 Routine Load 支持条件更新。

数据样例

1. 准备数据文件。 a. 在本地文件系统创建一个 CSV 格式的数据文件 example5.csv。文件包含三列，分别代表用户 ID、版本号和用户得分，如下所示：

   101,1,100
   102,3,100

   b. 把 example5.csv 文件中的数据上传到 Kafka 集群的 topic5 中。
2. 准备 StarRocks 表。 a. 在数据库 test_db 中创建一张名为 table5 的主键模型表。表包含 id、version 和 score 三列，分别代表用户 ID、版本号和用户得分，主键为 id 列，如下所示：

   CREATE TABLE `table5`
   (
       `id` int(11) NOT NULL COMMENT "用户 ID", 
       `version` int NOT NULL COMMENT "版本号",
       `score` int(11) NOT NULL COMMENT "用户得分"
   )
   ENGINE=OLAP
   PRIMARY KEY(`id`) DISTRIBUTED BY HASH(`id`);

   说明 自 2.5.7 版本起，StarRocks 支持在建表和新增分区时自动设置分桶数量 (BUCKETS)，您无需手动设置分桶数量。更多信息，请参见 确定分桶数量。

   b. 向 table5 表中插入两条数据，如下所示：

   INSERT INTO table5 VALUES
       (101, 2, 80),
       (102, 2, 90);

导入数据

通过导入，把 example5.csv 文件中 id 为 101、102 的数据更新到 table5 表中，指定 merge_condition 为 version 列，表示只有当导入的数据中 verion 大于等于 table5 中对应行的version 值时，更新才会生效。

• 通过 Stream Load 导入：

  curl --location-trusted -u <username>:<password> \
      -H "Expect:100-continue" \
      -H "Expect:100-continue" \
      -H "label:label10" \
      -H "column_separator:," \
      -H "merge_condition:version" \
      -T example5.csv -XPUT \
      http://<fe_host>:<fe_http_port>/api/test_db/table5/_stream_load

• 通过 Routine Load 导入：

  CREATE ROUTINE LOAD test_db.table5 on table5
  COLUMNS (id, version, score),
  COLUMNS TERMINATED BY ','
  PROPERTIES
  (
      "merge_condition" = "version"
  )
  FROM KAFKA
  (
      "kafka_broker_list" ="<kafka_broker_host>:<kafka_broker_port>",
      "kafka_topic" = "topic5",
      "property.kafka_default_offsets" ="OFFSET_BEGINNING"
  );

查询数据

导入完成后，查询 table5 表的数据，如下所示：

SELECT * FROM table5;
+------+------+-------+
| id   | version | score |
+------+------+-------+
|  101 |       2 |   80 |
|  102 |       3 |  100 |
+------+------+-------+
2 rows in set (0.02 sec)

从查询结果可以看到，example5.csv 文件中 id 为 101 的数据并没有被更新，而 id 为 102 已经被更新。