必看！S3File Sink Connector 使用文档

S3File 是一个用于管理 Amazon S3（Simple Storage Service）的 Python 模块。当前，Apache SeaTunnel 已经支持 S3File Sink Connector，为了更好地使用这个 Connector，有必要看一下这篇使用文档指南。

描述

将数据输出到 AWS S3 文件系统。

提示：

如果您使用的是 Spark/Flink，在使用此连接器之前，必须确保您的 Spark/Flink 集群已经集成了 Hadoop。Hadoop 2.x 版本已通过测试。

如果您使用的是 SeaTunnel Engine，它会在您下载和安装 SeaTunnel Engine 时自动集成 Hadoop JAR 包。您可以在 ${SEATUNNEL_HOME}/lib 目录下确认这个 JAR 包是否存在。

主要特性

仅一次语义

默认情况下，我们使用 2PC 提交来确保 "仅一次语义"。

文件格式类型
- 文本 (text)
- CSV
- Parquet
- ORC
- JSON
- Excel

选项

名称	类型	必需	默认值	备注
path	string	是	-
bucket	string	是	-
fs.s3a.endpoint	string	是	-
fs.s3a.aws.credentials.provider	string	是	com.amazonaws.auth.InstanceProfileCredentialsProvider
access_key	string	否	-	仅在 fs.s3a.aws.credentials.provider = org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider 时使用
access_secret	string	否	-	仅在 fs.s3a.aws.credentials.provider = org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider 时使用
custom_filename	boolean	否	false	是否需要自定义文件名
file_name_expression	string	否	"${transactionId}"	仅在 custom_filename 为 true 时使用
filename_time_format	string	否	"yyyy.MM.dd"	仅在 custom_filename 为 true 时使用
file_format_type	string	否	"csv"
field_delimiter	string	否	'\001'	仅在 file_format 为 text 时使用
row_delimiter	string	否	"\n"	仅在 file_format 为 text 时使用
have_partition	boolean	否	false	是否需要处理分区
partition_by	array	否	-	仅在 have_partition 为 true 时使用
partition_dir_expression	string	否	"${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/"	仅在 have_partition 为 true 时使用
is_partition_field_write_in_file	boolean	否	false	仅在 have_partition 为 true 时使用
sink_columns	array	否		当此参数为空时，将写入所有从 "Transform" 或 "Source" 获取的字段
is_enable_transaction	boolean	否	true
batch_size	int	否	1000000
compress_codec	string	否	none
common-options	object	否	-
max_rows_in_memory	int	否	-	仅在 file_format 为 Excel 时使用
sheet_name	string	否	Sheet$	仅在 file_format 为 Excel 时使用

path [string]

目标目录路径是必需的。

bucket [string]

S3 文件系统的bucket地址，例如：s3n://seatunnel-test，如果您使用的是 s3a 协议，此参数应为 s3a://seatunnel-test。

fs.s3a.endpoint [string]

fs s3a 端点

fs.s3a.aws.credentials.provider [string]

认证 s3a 的方式。目前我们仅支持 org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider 和 com.amazonaws.auth.InstanceProfileCredentialsProvider。

关于凭证提供程序的更多信息，您可以参考 Hadoop AWS 文档

access_key [string]

S3 文件系统的访问密钥。如果未设置此参数，请确认凭证提供程序链可以正确验证，可参考 hadoop-aws。

access_secret [string]

S3 文件系统的访问密钥。如果未设置此参数，请确认凭证提供程序链可以正确验证，可参考 hadoop-aws。

hadoop_s3_properties [map]

如果需要添加其他选项，可以在这里添加并参考此链接

hadoop_s3_properties {

      "fs.s3a.buffer.dir" = "/data/st_test/s3a"

      "fs.s3a.fast.upload.buffer" = "disk"

   }

custom_filename [boolean]

是否自定义文件名。

file_name_expression [string]

仅在 custom_filename 为 true 时使用

file_name_expression 描述了将创建到 path 中的文件表达式。我们可以在 file_name_expression 中添加变量 ${now} 或 ${uuid}，例如 test_${uuid}_${now}，

${now} 代表当前时间，其格式可以通过指定选项 filename_time_format 来定义。

请注意，如果 is_enable_transaction 为 true，我们将在文件名的开头自动添加${transactionId}_。

filename_time_format [string]

仅在 custom_filename 为 true 时使用

当 file_name_expression 参数中的格式为 xxxx-${now} 时，filename_time_format 可以指定路径的时间格式，默认值为 yyyy.MM.dd。常用的时间格式列于下表中：

符号	描述
y	年
M	月
d	月中的天数
H	一天中的小时 (0-23)
m	小时中的分钟
s	分钟中的秒数

file_format_type [string]

我们支持以下文件类型：

文本 (text)
JSON
CSV
ORC
Parquet
Excel

请注意，最终文件名将以文件格式的后缀结尾，文本文件的后缀是 txt。

field_delimiter [string]

数据行中列之间的分隔符。仅在 file_format 为 text 时需要。

row_delimiter [string]

文件中行之间的分隔符。仅在 file_format 为 text 时需要。

have_partition [boolean]

是否需要处理分区。

partition_by [array]

仅在 have_partition 为 true 时使用。

基于选定字段对分区数据进行分区。

partition_dir_expression [string]

仅在 have_partition 为 true 时使用。

如果指定了 partition_by，我们将根据分区信息生成相应的分区目录，并将最终文件放在分区目录中。

默认的 partition_dir_expression 是 ${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/。k0 是第一个分区字段，v0 是第一个分区字段的值。

is_partition_field_write_in_file [boolean]

仅在 have_partition 为 true 时使用。

如果 is_partition_field_write_in_file 为 true，分区字段及其值将写入数据文件中。

例如，如果您想要写入 Hive 数据文件，其值应为 false。

sink_columns [array]

需要写入文件的哪些列，默认值为从 "Transform" 或 "Source" 获取的所有列。

字段的顺序决定了实际写入文件的顺序。

is_enable_transaction [boolean]

如果 is_enable_transaction 为 true，我们将确保在写入目标目录时数据不会丢失或重复。

请注意，如果 is_enable_transaction 为 true，我们将在文件头部自动添加 ${transactionId}_。

目前仅支持 true。

batch_size [int]

文件中的最大行数。对于 SeaTunnel Engine，文件中的行数由 batch_size 和 checkpoint.interval 共同决定。如果 checkpoint.interval 的值足够大，当文件中的行数大于 batch_size 时，写入器将写入文件。如果 checkpoint.interval 较小，则在新的检查点触发时，写入器将创建一个新文件。

compress_codec [string]

文件的压缩编解码器及其支持的详细信息如下：

txt: lzo none
JSON: lzo none
CSV: lzo none
ORC: lzo snappy lz4 zlib none
Parquet: lzo snappy lz4 gzip brotli zstd none

提示：Excel 类型不支持任何压缩格式。

常见选项

请参考 Sink Common Options 获取 Sink 插件的常见参数详细信息。

max_rows_in_memory [int]

当文件格式为 Excel 时，可以缓存在内存中的数据项的最大数量。

sheet_name [string]

工作簿的工作表名称。

示例

对于文本文件格式，具有 have_partition、custom_filename、sink_columns 和 com.amazonaws.auth.InstanceProfileCredentialsProvider 的配置示例：

  S3File {

    bucket = "s3a://seatunnel-test"

    tmp_path = "/tmp/seatunnel"

    path="/seatunnel/text"

    fs.s3a.endpoint="s3.cn-north-1.amazonaws.com.cn"

    fs.s3a.aws.credentials.provider="com.amazonaws.auth.InstanceProfileCredentialsProvider"

    file_format_type = "text"

    field_delimiter = "\t"

    row_delimiter = "\n"

    have_partition = true

    partition_by = ["age"]

    partition_dir_expression = "${k0}=${v0}"

    is_partition_field_write_in_file = true

    custom_filename = true

    file_name_expression = "${transactionId}_${now}"

    filename_time_format = "yyyy.MM.dd"

    sink_columns = ["name","age"]

    is_enable_transaction=true

    hadoop_s3_properties {

      "fs.s3a.buffer.dir" = "/data/st_test/s3a"

      "fs.s3a.fast.upload.buffer" = "disk"

    }

  }

对于 Parquet 文件格式，仅需用 org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider进行配置：

  S3File {

    bucket = "s3a://seatunnel-test"

    tmp_path = "/tmp/seatunnel"

    path="/seatunnel/parquet"

    fs.s3a.endpoint="s3.cn-north-1.amazonaws.com.cn"

    fs.s3a.aws.credentials.provider="org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider"

    access_key = "xxxxxxxxxxxxxxxxx"

    secret_key = "xxxxxxxxxxxxxxxxx"

    file_format_type = "parquet"

    hadoop_s3_properties {

      "fs.s3a.buffer.dir" = "/data/st_test/s3a"

      "fs.s3a.fast.upload.buffer" = "disk"

    }

  }

对于 orc 文件仅需配置 org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider：

  S3File {

    bucket = "s3a://seatunnel-test"

    tmp_path = "/tmp/seatunnel"

    path="/seatunnel/orc"

    fs.s3a.endpoint="s3.cn-north-1.amazonaws.com.cn"

    fs.s3a.aws.credentials.provider="org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider"

    access_key = "xxxxxxxxxxxxxxxxx"

    secret_key = "xxxxxxxxxxxxxxxxx"

    file_format_type = "orc"

  }

更新日志

2.3.0-beta 2022-10-20

添加 S3File Sink 连接器

2.3.0 2022-12-30

Bug修复
- 修复了以下导致数据写入文件失败的错误:
  - 当上游字段为空时会抛出 NullPointerException
  - Sink 列映射失败
  - 从状态中恢复写入器时直接获取事务失败 (3258)
功能
- 支持 S3A 协议 (3632)
  - 允许用户添加额外的 Hadoop-S3 参数
  - 允许使用 S3A 协议
  - 解耦 Hadoop-AWS 依赖
- 支持设置每个文件的批处理大小 (3625)
- 设置 S3 AK 为可选项 (3688)

下一版本

[优化]支持文件压缩（3699）

本文由白鲸开源提供发布支持！