在 ClickHouse 中使用模板和 Regex 导入和导出自定义文本数据

我们经常需要处理自定义文本格式的数据，比如非标准格式、无效的 JSON，或损坏的 CSV。对于这类情况，CSV 或 JSON 这类标准 parser 并不总是适用。不过，ClickHouse 提供了强大的 Template 和 Regex 格式来应对这些需求。

根据模板导入

假设我们要从以下日志文件导入数据：

head error.log

2023/01/15 14:51:17 [error]  client: 7.2.8.1, server: example.com "GET /apple-touch-icon-120x120.png HTTP/1.1"
2023/01/16 06:02:09 [error]  client: 8.4.2.7, server: example.com "GET /apple-touch-icon-120x120.png HTTP/1.1"
2023/01/15 13:46:13 [error]  client: 6.9.3.7, server: example.com "GET /apple-touch-icon.png HTTP/1.1"
2023/01/16 05:34:55 [error]  client: 9.9.7.6, server: example.com "GET /h5/static/cert/icon_yanzhengma.png HTTP/1.1"

我们可以使用 Template 格式导入这些数据。我们需要定义一个模板字符串，为输入数据的每一行设置值占位符：

<time> [error] client: <ip>, server: <host> "<request>"

先创建一个表，用于导入数据：

CREATE TABLE error_log
(
    `time` DateTime,
    `ip` String,
    `host` String,
    `request` String
)
ENGINE = MergeTree
ORDER BY (host, request, time)

要使用指定模板导入数据，我们需要先将模板字符串保存到文件中 (本例中为 row.template) ：

${time:Escaped} [error]  client: ${ip:CSV}, server: ${host:CSV} ${request:JSON}

我们使用 ${name:escaping} 格式来定义列名和转义规则。这里有多种可选项，如 CSV、JSON、Escaped 或 Quoted，它们分别实现了对应的转义规则。现在，在导入数据时，我们可以将给定文件作为 format_template_row Settings 选项的参数 (注意，template 和 data files 不应在文件末尾额外带有 \n 符号) ：

INSERT INTO error_log FROM INFILE 'error.log'
SETTINGS format_template_row = 'row.template'
FORMAT Template

我们可以确认数据已加载到表中：

SELECT
    request,
    count(*)
FROM error_log
GROUP BY request

┌─request──────────────────────────────────────────┬─count()─┐
│ GET /img/close.png HTTP/1.1                      │     176 │
│ GET /h5/static/cert/icon_yanzhengma.png HTTP/1.1 │     172 │
│ GET /phone/images/icon_01.png HTTP/1.1           │     139 │
│ GET /apple-touch-icon-precomposed.png HTTP/1.1   │     161 │
│ GET /apple-touch-icon.png HTTP/1.1               │     162 │
│ GET /apple-touch-icon-120x120.png HTTP/1.1       │     190 │
└──────────────────────────────────────────────────┴─────────┘

跳过空白符

可考虑使用 TemplateIgnoreSpaces，它支持跳过模板中分隔符之间的空白符：

Template:               -->  "p1: ${p1:CSV}, p2: ${p2:CSV}"
TemplateIgnoreSpaces    -->  "p1:${p1:CSV}, p2:${p2:CSV}"

使用 Template 导出数据

我们还可以使用 Template 将数据导出为任意文本格式。在这种情况下，需要创建两个文件：结果集模板，它定义了整个结果集的布局：

== Top 10 IPs ==
${data}
--- ${rows_read:XML} rows read in ${time:XML} ---

这里，rows_read 和 time 是每个请求都可用的系统指标。data 表示根据 行模板文件 中定义的模板生成的行 (在此文件中，${data} 必须始终作为第一个占位符出现) ：

${ip:Escaped} generated ${total:Escaped} requests

接下来，使用这些模板导出以下查询：

SELECT
    ip,
    count() AS total
FROM error_log GROUP BY ip ORDER BY total DESC LIMIT 10
FORMAT Template SETTINGS format_template_resultset = 'output.results',
                         format_template_row = 'output.rows';

== Top 10 IPs ==

9.8.4.6 generated 3 requests
9.5.1.1 generated 3 requests
2.4.8.9 generated 3 requests
4.8.8.2 generated 3 requests
4.5.4.4 generated 3 requests
3.3.6.4 generated 2 requests
8.9.5.9 generated 2 requests
2.5.1.8 generated 2 requests
6.8.3.6 generated 2 requests
6.6.3.5 generated 2 requests

--- 1000 rows read in 0.001380604 ---

导出为 HTML 文件

基于 Template 的结果也可以通过 INTO OUTFILE 子句导出到文件中。下面让我们基于给定的 resultset 和行格式生成 HTML 文件：

SELECT
    ip,
    count() AS total
FROM error_log GROUP BY ip ORDER BY total DESC LIMIT 10
INTO OUTFILE 'out.html'
FORMAT Template
SETTINGS format_template_resultset = 'html.results',
         format_template_row = 'html.row'

导出为 XML

Template 格式可用于生成几乎任何文本格式的文件，包括 XML。只需提供相应的模板并执行导出即可。你也可以考虑使用 XML 格式，以获得包含元数据的标准 XML 结果：

SELECT *
FROM error_log
LIMIT 3
FORMAT XML

<?xml version='1.0' encoding='UTF-8' ?>
<result>
        <meta>
                <columns>
                        <column>
                                <name>time</name>
                                <type>DateTime</type>
                        </column>
                        ...
                </columns>
        </meta>
        <data>
                <row>
                        <time>2023-01-15 13:00:01</time>
                        <ip>3.5.9.2</ip>
                        <host>example.com</host>
                        <request>GET /apple-touch-icon-120x120.png HTTP/1.1</request>
                </row>
                ...
        </data>
        <rows>3</rows>
        <rows_before_limit_at_least>1000</rows_before_limit_at_least>
        <statistics>
                <elapsed>0.000745001</elapsed>
                <rows_read>1000</rows_read>
                <bytes_read>88184</bytes_read>
        </statistics>
</result>

基于正则表达式导入数据

Regexp 格式适用于更复杂的场景，即需要以更复杂的方式解析输入数据。下面继续解析示例文件 error.log，但这次会捕获文件名和协议，并将它们分别保存到单独的列中。首先，为此准备一个新表：

CREATE TABLE error_log
(
    `time` DateTime,
    `ip` String,
    `host` String,
    `file` String,
    `protocol` String
)
ENGINE = MergeTree
ORDER BY (host, file, time)

现在我们可以按正则表达式导入数据：

INSERT INTO error_log FROM INFILE 'error.log'
SETTINGS
  format_regexp = '(.+?) \\[error\\]  client: (.+), server: (.+?) "GET .+?([^/]+\\.[^ ]+) (.+?)"'
FORMAT Regexp

ClickHouse 会根据各个捕获组的顺序，将数据插入相应的列中。我们来检查一下数据：

SELECT * FROM error_log LIMIT 5

┌────────────────time─┬─ip──────┬─host────────┬─file─────────────────────────┬─protocol─┐
│ 2023-01-15 13:00:01 │ 3.5.9.2 │ example.com │ apple-touch-icon-120x120.png │ HTTP/1.1 │
│ 2023-01-15 13:01:40 │ 3.7.2.5 │ example.com │ apple-touch-icon-120x120.png │ HTTP/1.1 │
│ 2023-01-15 13:16:49 │ 9.2.9.2 │ example.com │ apple-touch-icon-120x120.png │ HTTP/1.1 │
│ 2023-01-15 13:21:38 │ 8.8.5.3 │ example.com │ apple-touch-icon-120x120.png │ HTTP/1.1 │
│ 2023-01-15 13:31:27 │ 9.5.8.4 │ example.com │ apple-touch-icon-120x120.png │ HTTP/1.1 │
└─────────────────────┴─────────┴─────────────┴──────────────────────────────┴──────────┘

默认情况下，遇到不匹配的行时，ClickHouse 会报错。如果你想改为跳过不匹配的行，可以启用 format_regexp_skip_unmatched 选项：

SET format_regexp_skip_unmatched = 1;

其他格式

ClickHouse 支持多种格式，包括文本格式和二进制格式，以适用于各种场景和平台。你可以在以下文章中进一步了解更多格式及其使用方法：

此外，还可以查看 clickhouse-local —— 这是一款功能完整且便携的工具，可直接处理本地/远程文件，而无需 ClickHouse server。

​根据模板导入

​跳过空白符

​使用 Template 导出数据

​导出为 HTML 文件

​导出为 XML

​基于正则表达式导入数据

​其他格式