DataX OSSReader 说明

1 快速介绍

OSSReader提供了读取OSS数据存储的能力。在底层实现上，OSSReader使用OSS官方Java SDK获取OSS数据，并转换为DataX传输协议传递给Writer。

OSS 产品介绍, 参看[阿里云OSS Portal]
OSS Java SDK, 参看[阿里云OSS Java SDK]

2 功能与限制

OSSReader实现了从OSS读取数据并转为DataX协议的功能，OSS本身是无结构化数据存储，对于DataX而言，OSSReader实现上类比TxtFileReader，有诸多相似之处。目前OSSReader支持功能如下：

支持且仅支持读取TXT的文件，且要求TXT中shema为一张二维表。
支持类CSV格式文件，自定义分隔符。
支持多种类型数据读取(使用String表示)，支持列裁剪，支持列常量
支持递归读取、支持文件名过滤。
支持文本压缩，现有压缩格式为zip、gzip、bzip2。注意，一个压缩包不允许多文件打包压缩。
多个object可以支持并发读取。
支持读取 parquet orc 文件

我们暂时不能做到：

单个Object(File)支持多线程并发读取，这里涉及到单个Object内部切分算法。二期考虑支持。
单个Object在压缩情况下，从技术上无法支持多线程并发读取。

3 功能说明

3.1 配置样例

读取 txt, csv 格式样例

{
    "job": {
        "setting": {},
        "content": [
            {
                "reader": {
                    "name": "ossreader",
                    "parameter": {
                        "endpoint": "http://oss.aliyuncs.com",
                        "accessId": "",
                        "accessKey": "",
                        "bucket": "myBucket",
                        "object": [
                            "bazhen/*"
                        ],
                        "column": [
                            {
                                "type": "long",
                                "index": 0
                            },
                            {
                                "type": "string",
                                "value": "alibaba"
                            },
                            {
                                "type": "date",
                                "index": 1,
                                "format": "yyyy-MM-dd"
                            }
                        ],
                        "encoding": "UTF-8",
                        "fieldDelimiter": "\t",
                        "compress": "gzip"
                    }
                },
                "writer": {}
            }
        ]
    }
}

读取 orc 格式样例

{
  "stepType": "oss",
  "parameter": {
	"endpoint": "http://oss.aliyuncs.com",
	"accessId": "",
	"accessKey": "",
	"bucket": "myBucket",
	"fileFormat": "orc",
	"path": "/tests/case61/orc__691b6815_9260_4037_9899_****",
	"column": [
	  {
		"index": 0,
		"type": "long"
	  },
	  {
		"index": "1",
		"type": "string"
	  },
	  {
		"index": "2",
		"type": "string"
	  }
	]
  }
}

读取 parquet 格式样例

{
  "stepType": "oss",
  "parameter": {
	"endpoint": "http://oss.aliyuncs.com",
	"accessId": "",
	"accessKey": "",
	"bucket": "myBucket",
	"fileFormat": "parquet",
	"path": "/parquet",
	"parquetSchema":"message m { optional BINARY registration_dttm (UTF8); optional Int64 id; optional BINARY first_name (UTF8); optional BINARY last_name (UTF8); optional BINARY email (UTF8); optional BINARY gender (UTF8); optional BINARY ip_address (UTF8); optional BINARY cc (UTF8); optional BINARY country (UTF8); optional BINARY birthdate (UTF8); optional DOUBLE salary; optional BINARY title (UTF8); optional BINARY comments (UTF8); }", 
	"column": [
	  {
		"index": 0,
		"type": "long"
	  },
	  {
		"index": "1",
		"type": "string"
	  },
	  {
		"index": "2",
		"type": "string"
	  }
	]
  }
}

3.2 参数说明

endpoint
- 描述：OSS Server的EndPoint地址，例如http://oss.aliyuncs.com。
- 必选：是
- 默认值：无
accessId
- 描述：OSS的accessId
- 必选：是
- 默认值：无
accessKey
- 描述：OSS的accessKey
- 必选：是
- 默认值：无
bucket
- 描述：OSS的bucket
- 必选：是
- 默认值：无
object
- 描述：OSS的object信息，注意这里可以支持填写多个Object。
  
  当指定单个OSS Object，OSSReader暂时只能使用单线程进行数据抽取。二期考虑在非压缩文件情况下针对单个Object可以进行多线程并发读取。
  
  当指定多个OSS Object，OSSReader支持使用多线程进行数据抽取。线程并发数通过通道数指定。
  
  当指定通配符，OSSReader尝试遍历出多个Object信息。例如: 指定/*代表读取bucket下游所有的Object，指定/bazhen/*代表读取bazhen目录下游所有的Object。
  
  特别需要注意的是，DataX会将一个作业下同步的所有Object视作同一张数据表。用户必须自己保证所有的Object能够适配同一套schema信息。
- 必选：是
- 默认值：无
column
- 描述：读取字段列表，type指定源数据的类型，index指定当前列来自于文本第几列(以0开始)，value指定当前类型为常量，不从源头文件读取数据，而是根据value值自动生成对应的列。
  
  默认情况下，用户可以全部按照String类型读取数据，配置如下：
```
    "column": ["*"]
```
  用户可以指定Column字段信息，配置如下：
```
{
   "type": "long",
   "index": 0    //从OSS文本第一列获取int字段
},
{
   "type": "string",
   "value": "alibaba"  //从OSSReader内部生成alibaba的字符串字段作为当前字段
}
```
  对于用户指定Column信息，type必须填写，index/value必须选择其一。
- 必选：是
- 默认值：全部按照string类型读取
fieldDelimiter
- 描述：读取的字段分隔符
- 必选：是
- 默认值：,
compress
- 描述：文本压缩类型，默认不填写意味着没有压缩。支持压缩类型为zip、gzip、bzip2。
- 必选：否
- 默认值：不压缩
encoding
- 描述：读取文件的编码配置，目前只支持utf-8/gbk。
- 必选：否
- 默认值：utf-8
nullFormat
- 描述：文本文件中无法使用标准字符串定义null(空指针)，DataX提供nullFormat定义哪些字符串可以表示为null。
  
  例如如果用户配置: nullFormat="\N"，那么如果源头数据是"\N"，DataX视作null字段。
- 必选：否
- 默认值：\N
skipHeader
- 描述：类CSV格式文件可能存在表头为标题情况，需要跳过。默认不跳过。
- 必选：否
- 默认值：false
csvReaderConfig
- 描述：读取CSV类型文件参数配置，Map类型。读取CSV类型文件使用的CsvReader进行读取，会有很多配置，不配置则使用默认值。
- 必选：否
- 默认值：无

常见配置：

"csvReaderConfig":{
        "safetySwitch": false,
        "skipEmptyRecords": false,
        "useTextQualifier": false
}

所有配置项及默认值,配置时 csvReaderConfig 的map中请严格按照以下字段名字进行配置：

boolean caseSensitive = true;
char textQualifier = 34;
boolean trimWhitespace = true;
boolean useTextQualifier = true;//是否使用csv转义字符
char delimiter = 44;//分隔符
char recordDelimiter = 0;
char comment = 35;
boolean useComments = false;
int escapeMode = 1;
boolean safetySwitch = true;//单列长度是否限制100000字符
boolean skipEmptyRecords = true;//是否跳过空行
boolean captureRawRecord = true;

3.3 类型转换

OSS本身不提供数据类型，该类型是DataX OSSReader定义：

DataX 内部类型	OSS 数据类型
Long	Long
Double	Double
String	String
Boolean	Boolean
Date	Date

其中：

OSS Long是指OSS文本中使用整形的字符串表示形式，例如"19901219"。
OSS Double是指OSS文本中使用Double的字符串表示形式，例如"3.1415"。
OSS Boolean是指OSS文本中使用Boolean的字符串表示形式，例如"true"、"false"。不区分大小写。
OSS Date是指OSS文本中使用Date的字符串表示形式，例如"2014-12-31"，Date可以指定format格式。

4 性能报告

并发数	DataX 流量	Datax 记录数
1	971.40KB/s	10047rec/s
2	1.81MB/s	19181rec/s
4	3.46MB/s	36695rec/s
8	6.57MB/s	69289 records/s
16	7.92MB/s	83920 records/s
32	7.87MB/s	83350 records/s

5 约束限制

略

6 FAQ

略

ossreader.md 8.9 KB Permalänk Historik Rå