gpload的简单实用

准备工作：

　　1.因为gpload是对gpfdist的封装，因此使用gpload之前必须开启gpfdist的服务，不然无法使用。

gpfdist -d /home/admin -p 8181 -l /tmp/gpfdist.log &

　　开启服务的命令这里就不详解，可以参考我之前讲解的gpfdist文档： http://www.cnblogs.com/daojiao/p/4589038.html

　  2.系统需要安Python工具，因为我用的是红帽子系统(redhat),内置了此工具，因此不需要安装。

　　3.首先准备数据文件（这里就补贴数据文件了，直接打印出文件名及文件中的书）：

4.GP库中创建装载数据的表：

create table member_delta
(
   mever_id varchar(54)
   ,phoneno varchar(20)
   ,action char(1)
   ,dw_ins_date date
)
with
(
    appendonly=true ,compresslevel=5
)
distributed by (mever_id)
partition by list (action)
(
    partition u values('U'),
    partition i values('I'),
    partition d values('D'),
    default partition other_action
)
;

表结构大概讲解下： 这张表附加了分布键，数据压缩，数据分区等功能。

开始gpload的编码：

创建执行的脚本(这里的脚本就是上面所提到的Python语言)，文件名为member.yml:

VERSION: 1.0.0.1
DATABASE: Test
USER: gpadmin
HOST: 192.168.23.128
PORT: 5432
GPLOAD:
   INPUT:
    - SOURCE:
         LOCAL_HOSTNAME:
           - mdw
         PORT: 8181
         FILE:
           - /home/admin/member_delta.txt
    - COLUMNS:
               - mever_id: varchar(54)
               - phoneno: varchar(20)
               - action: char(1)
               - dw_ins_date: date
    - FORMAT: text
    - DELIMITER: ' '
    - QUOTE: '"'
    - HEADER: true
    - ERROR_LIMIT: 25
    - ERROR_TABLE: public.member_err
   OUTPUT:
    - TABLE: public.member_delta
    - MODE: INSERT

脚本所用参数的含义

VERSION: 1.0.0.1            --指定控制文件schema的版本
DATABASE: db_name           --指定连接数据库的名字，如果没有指定,由环境变量$PGDATABASE，或者通过gpload参数-d指定
USER: db_username           --指定连接目标数据库的用户名，如果不使用超级管理员，服务参数gp_external_grant_privileges必须设置成on。
HOST: master_hostname       --指定master主机名，也可以通过gpload的-h选项，或者环境变量$PGHOST指定
PORT: master_port           --指定master的连接端口号，默认是5432,或者通过gpload命令的-p选项或者环境变量$PGPORT指定。
GPLOAD:                     --必须指定，表示装载设置部分在它下面必须定义INPUT:和OUTPUT:两个部分。
INPUT:                      --必须指定，这部分指定装载数据的格式和位置
- SOURCE:                   --必须指定，定义source文件的位置，每个输入部分可以定义多个source部分, windows路径的指定比较特别，比如c:\ 要写成 c:/
LOCAL_HOSTNAME:             --指定gpload运行的主机名称和ip地址，如果有多块网卡，可以同时使用它们，提高装载速度。默认只使用首选主机名和IP。
- hostname_or_ip
PORT: http_port             --指定gpfdist使用的端口，也可以选择端口范围，由系统选择，如果同时指定，port设置优先级高。
| PORT_RANGE: [start_port_range, end_port_range]
FILE:                       --指定装载数据文件的位置，目录或者命名管道。如果文件使用gpzip或者bzip2进行了压缩，它可以自动解压。可以使用通配符*和C语言风格的关系匹配模式指定多个文件。
- /path/to/input_file
- COLUMNS:                    --指定数据源的数据格式，如果没有指定这部分，source表的列顺序，数量，以及数据类型必须与目标表一致。
- field_name: data_type
- FORMAT: text | csv          --指定文件格式是text还是csv
- DELIMITER: 'delimiter_character'  --指定文本数据域（列）之间的分割符，默认是|
- ESCAPE: 'escape_character' | 'OFF'  --text定义转义字符，text格式默认是\，在text格式中可以选择off关掉转义字符（web log处理时比较有用）
- NULL_AS: 'null_string'       --指定描述空值的字符串，text格式默认是\N，csv格式不使用转义符号的空值。
- FORCE_NOT_NULL: true | false --csv格式，强制所有字符默认都用”“括起，因此不能有空值，如果两个分割符之间没有值，被当做0长度字符串，认为值已经丢失。
- QUOTE: 'csv_quote_character'  --csv指定转义字符，默认是"
- HEADER: true | false          --是否跳过数据文件第一行，当做表头
- ENCODING: database_encoding   --指定数据源的字符集
- ERROR_LIMIT: integer          --指定由于不符合格式数据记录的上限，如果超过该上限，gpload停止装载，否则正确记录可以被装载，错误记录抛出写入错误表。但它仅支持数据格式错误，不支持违背约束的问题
- ERROR_TABLE: schema.table_name --指定不符合格式要求记录的错误表。如果指定的表不存在系统自动创建。

OUTPUT:
- TABLE: schema.table_name       --指定装载的目标表
- MODE: insert | update | merge  --指定操作模式，默认是insert。merge操作不支持使用随机分布策略的表。
- MATCH_COLUMNS:                 --为update操作和merge操作指定匹配条件。
     - target_column_name
- UPDATE_COLUMNS:                 --为update操作和merge操作指定更新的列
     - target_column_name
- UPDATE_CONDITION: 'boolean_condition'  --指定where条件，目标表中只有满足条件的记录才能更改，（merge情况下，只有满足条件的记录才能insert)
- MAPPING:                        --指定source列和目标列的映射关系。
target_column_name: source_column_name | 'expression'
PRELOAD:                          --指定load之前的操作
- TRUNCATE: true | false          --如果设置成true,装载之前先删除目标表中所有记录，再装载
- REUSE_TABLES: true | false     --设置成true，不会删除外部表对象会这中间表对象。从而提升性能。
SQL:
- BEFORE: "sql_command"         --装载操作开始前执行的SQL，比如写日志表
- AFTER: "sql_command"          --装载操作之后执行的SQL。

执行脚本：

脚本完成后，放在指定服务器位置，比如/home/command/ 目录下

进入服务器找到存放脚本的目录: cd /home/command/ 执行该脚本

执行命令为：gpload -f member.yml  脚本执行完后，打印台会得到如下信息：

　

查询member_delta，看数据是否添加成功：

select * from member_delta;

总结：

今天写这个例子，虽然是一个简单的例子，但大概让我知道gpload执行的流程是什么。写这个脚本也折腾了不少时间，关键没人教你，从头到尾都是自己在摸索，不懂baidu，不懂翻书，一句话为了写出这个程序不择手段的进行各种尝试，其中的抓狂无奈……但和结果比起来却现的那么微不足道，写飘了，进入正题，今天遇到一个蛋疼的问题就是不够认真，脚本中的个别关键字写错了，确实比较捉急，还有就是刚开始没找到正规的文档，随手捏来一个例子，不知道意思改了半天，这样做真的很浪费时间，对于这个处理个人感觉尽量找官方文档，查看具体每个参数的含义，那些可以写，那些可以省掉。在开始写的时候保证基本语法通过就OK了，不要写太多无用的参数。