Hdfs 

Crea una tabla a partir de archivos en HDFS. Esta función de tabla es similar a URL y file aquel.

hdfs(URI, format, structure)

Parámetros de entrada

• URI — The relative URI to the file in HDFS. Path to file support following globs in readonly mode: *, ?, {abc,def} y {N..M} donde N, M — numbers, `'abc', 'def' — strings.
• format — The formato del archivo.
• structure — Structure of the table. Format 'column1_name column1_type, column2_name column2_type, ...'.

Valor devuelto

Una tabla con la estructura especificada para leer o escribir datos en el archivo especificado.

Ejemplo

Tabla de hdfs://hdfs1:9000/test y selección de las dos primeras filas de ella:

SELECT *
FROM hdfs('hdfs://hdfs1:9000/test', 'TSV', 'column1 UInt32, column2 UInt32, column3 UInt32')
LIMIT 2

┌─column1─┬─column2─┬─column3─┐
│       1 │       2 │       3 │
│       3 │       2 │       1 │
└─────────┴─────────┴─────────┘

Globs en el camino

Múltiples componentes de ruta de acceso pueden tener globs. Para ser procesado, el archivo debe existir y coincidir con todo el patrón de ruta (no solo el sufijo o el prefijo).

• * — Substitutes any number of any characters except / incluyendo cadena vacía.
• ? — Substitutes any single character.
• {some_string,another_string,yet_another_one} — Substitutes any of strings 'some_string', 'another_string', 'yet_another_one'.
• {N..M} — Substitutes any number in range from N to M including both borders.

Construcciones con {} son similares a la función de tabla remota).

Ejemplo

1. Supongamos que tenemos varios archivos con los siguientes URI en HDFS:

• ‘hdfs://hdfs1:9000/some_dir/some_file_1’
• ‘hdfs://hdfs1:9000/some_dir/some_file_2’
• ‘hdfs://hdfs1:9000/some_dir/some_file_3’
• ‘hdfs://hdfs1:9000/another_dir/some_file_1’
• ‘hdfs://hdfs1:9000/another_dir/some_file_2’
• ‘hdfs://hdfs1:9000/another_dir/some_file_3’

1. Consulta la cantidad de filas en estos archivos:

SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/{some,another}_dir/some_file_{1..3}', 'TSV', 'name String, value UInt32')

1. Consulta la cantidad de filas en todos los archivos de estos dos directorios:

SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/{some,another}_dir/*', 'TSV', 'name String, value UInt32')

Ejemplo

Consultar los datos desde archivos nombrados file000, file001, … , file999:

SELECT count(*)
FROM hdfs('hdfs://hdfs1:9000/big_dir/file{0..9}{0..9}{0..9}', 'CSV', 'name String, value UInt32')

Virtual Columnas 

• _path — Path to the file.
• _file — Name of the file.

Ver también

• Virtual columnas

Artículo Original