GreenPlum 使用gpload通过gpfdist文件实现数据高速加载

作者：黄杉


1，gpload环境准备

环境准备请参考博主以前的文章gpfdist部署实战：http://blog.csdn.net/mchdba/article/details/72540806  ，安装好gpfdist后，gpload也自动有了，可以自动使用。

安装完后，可以启动gpfdist服务：nohup /data/greenplum/bin/gpfdist -d /data/greenplum/ -p 8090> /home/gpadmin/gpfdist.log  &

2，gpload简介

Greenplum的gpload工具通过可读外部表和并行化文件服务器gpfdist(或gpfdists)来加载数据。gpload处理并行化的基于文件的外部表设置，以及允许我们使用单个YAML文件来配置数据格式，外部表定义，以及gpfdist或gpfdists。


要使用gpload工具有几个前提条件必须满足：
1.    使用gpload的服务器必须安装Python 2.6.2或者以上版本，pygresql工具和pyyaml工具（数据库服务端已经安装了python和需要的python库文件）
2.    必须装gpfdist程序，并把它设置到环境变量PATH中（可以从数据库服务器端的安装目录的子目录bin中拷贝该工具）
3.    确保使用gpload工具的ETL服务器与Greenplum所有服务器的联通性，以及机器名解析正确

4.    确保greenplum集群的所有服务器之间的网络是联通的。

gpload通过它的控制文件(YAML格式控制文件)指定装载的细节信息。所以编写控制文件是用好gpload的关键所在。gpload的控制文件采用YAML1.0.0.1文档格式编写，因此它必须得是有效的YAML格式。通过编写的yaml文件的配置，gpload服务与greenplum集群打通，一个yaml配置对应一个greenplum里面的表。

3，查看gpload参数

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- [gpadmin@g01~]$ gpload -? gpload [options] -f configuration file Options:     -h hostname: host to connect to     -p port: port to connect to     -U username: user to connect as     -d database: database to connect to     -W: force password authentication     -q: quiet mode     -D: do not actually load data     -v: verbose     -V: very verbose     -l logfile: log output to logfile     --no_auto_trans: do not wrap gpload in transaction     --gpfdist_timeout timeout: gpfdist timeout value     --version: print version number and exit     -?: help [gpadmin@g01~]$

blog源地址：http://blog.csdn.net/mchdba/article/details/72681969，博主黄杉（mchdba），谢绝转载

4，开始gpload实战

创建全局序列，用来获取汇总执行gpload的次数。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- create SEQUENCE gpload_audit_seq INCREMENT BY 1 MINVALUE 1 NO MAXVALUE START WITH 1; select * from gpload_audit_seq ;

创建审计表，记录每一次gpload执行的开始和结束事件信息

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- create table gpload_audit(                                                                    id bigint,     state text,     mode text,     tablename text,     updatetime timestamp ) distributed by (id);

创建gpload加载的表

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- CREATE TABLE expenses (     name text,     amount numeric,     category text,     des text,     update_date date );

在gpload服务器上建立临时测试数据文件天

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- [gpadmin@g01gpdextdata]$ more t21.txt 1|aaa 2|zhangsan [gpadmin@g01gpdextdata]$ [gpadmin@g01gpdextdata]$ more t22.txt 3|wanger 4|mazi [gpadmin@g01gpdextdata]$

在greenplum集群的master库上，建立外部表：

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- create table t02 ( id integer, name varchar(128) ) location ( 'gpfdist://192.168.2.72:8090/gpextdata/t21.txt', 'gpfdist://192.168.2.72:8090/gpextdata/t22.txt' ) Format 'TEXT' (delimiter as E'|' null as '' escape 'OFF') ;

创建gpload.yml配置文件

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- [gpadmin@g01~]$ more g2.yml --- VERSION: 1.0.0.1 DATABASE: yueworld_db USER: mch HOST: 10.254.2.111 PORT: 5432 GPLOAD:   INPUT:     - SOURCE:         LOCAL_HOSTNAME:           - 192.168.2.72         PORT: 8090         FILE:           - /data/greenplum/gpextdata/t21.txt           - /data/greenplum/gpextdata/t22.txt                    - COLUMNS:         - id: int         - name: text     - FORMAT: text     - DELIMITER: '|'     - ERROR_LIMIT: 25   OUTPUT:     - TABLE: dw.t02     - MODE: INSERT   SQL:     - BEFORE: "INSERT INTO gpload_audit VALUES(nextval('gpload_audit_seq'), 'start', 'insert', 'zhangyun_schema.expenses', current_timestamp)" - AFTER: "INSERT INTO gpload_audit VALUES(nextval('gpload_audit_seq'), 'end', 'insert', 'zhangyun_schema.expenses', current_timestamp)" [gpadmin@g01~]$

在greenplum db库上赋予mch账号权限：

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- yueworld_db=# grant select,insert on gpload_audit to mch; GRANT yueworld_db=# grant select,insert,update,delete on t01 to mch; GRANT yueworld_db=# yueworld_db=# grant select,usage,update on gpload_audit_seq to mch; GRANT yueworld_db=# grant all on table t02 to mch; GRANT yueworld_db=#

去gpload服务器上，执行gpload：

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- [gpadmin@g01~]$ gpload -f g2.yml 2017-05-15 17:52:30|INFO|gpload session started 2017-05-15 17:52:30 2017-05-15 17:52:30|INFO|setting schema 'public' for table 't02' 2017-05-15 17:52:30|INFO|started gpfdist -p 8090 -P 8091 -f "/data/greenplum/gpextdata/t21.txt /data/greenplum/gpextdata/t22.txt" -t 30 2017-05-15 17:52:30|INFO|running time: 0.29 seconds 2017-05-15 17:52:30|INFO|rows Inserted          = 4 2017-05-15 17:52:30|INFO|rows Updated           = 0 2017-05-15 17:52:30|INFO|data formatting errors = 0 2017-05-15 17:52:30|INFO|gpload succeeded [gpadmin@g01~]$

在greenplum服务器上查询

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- yueworld_db=# select * from public.t01_ext_1;; id | name ----+------   1 | aaa   2 | zhangsan   3 | wanger   4 | mazi (8 rows) yueworld_db=#

奇怪的是，当你再执行一次gpload -f y2.yml的时候，会持续往外部表里面写数据，而且是将原有的数据重新写入到t02里面去，执行第二次，rows inserted数量是8，等执行第三次的时候，这个rows Inserted会变成16，如下看执行过程：

[gpadmin@g01~]$ gpload -f g2.yml 2017-05-15 17:52:30|INFO|gpload session started 2017-05-15 17:52:30 2017-05-15 17:52:30|INFO|setting schema 'public' for table 't02' 2017-05-15 17:52:30|INFO|started gpfdist -p 8090 -P 8091 -f "/data/greenplum/gpextdata/t21.txt /data/greenplum/gpextdata/t22.txt" -t 30 2017-05-15 17:52:30|INFO|running time: 0.29 seconds 2017-05-15 17:52:30|INFO|rows Inserted          = 8 2017-05-15 17:52:30|INFO|rows Updated           = 0 2017-05-15 17:52:30|INFO|data formatting errors = 0 2017-05-15 17:52:30|INFO|gpload succeeded [gpadmin@g01~]$

Bty：这里只测试了一个表t02，如果实际生产环境中有多个大表的话，可以编写多个yml文件，用gpload启动多进程同时进行数据高速加载。这里曾经做过测试，500w的原始数据，fil://xxx.com方式需要2个小时，直接insert into select …需要4个小时，而gpload结合gpfdist只需要20分钟。

参考文档：https://gpdb.docs.pivotal.io/4330/client_tool_guides/load/unix/gpload.html