CosFile
Cos 文件接收器连接器
描述
将数据输出到cos文件系统.
:::提示
如果你使用spark/flink,为了使用这个连接器,你必须确保你的spark/flilk集群已经集成了hadoop。测试的hadoop版本是2.x
如果你使用SeaTunnel Engine,当你下载并安装SeaTunnel引擎时,它会自动集成hadoop jar。您可以在${SEATUNNEL_HOME}/lib下检查jar包以确认这一点.
要使用此连接器,您需要将hadoop cos-{hadoop.version}-{version}.jar和cos_api-bundle-{version}.jar位于${SEATUNNEL_HOME}/lib目录中,下载:Hoop cos发布. 它只支持hadoop 2.6.5+和8.0.2版本+.
:::
关键特性
默认情况下,我们使用2PC commit来确保 精确一次
- 文件格式类型
- text
- csv
- parquet
- orc
- json
- excel
- xml
- binary
选项
名称 | 类型 | 必需 | 默认值 | 描述 |
---|---|---|---|---|
path | string | 是 | - | |
tmp_path | string | 否 | /tmp/seatunnel | 结果文件将首先写入tmp路径,然后使用“mv”将tmp目录提交到目标目录。需要一个COS目录. |
bucket | string | 是 | - | |
secret_id | string | 是 | - | |
secret_key | string | 是 | - | |
region | string | 是 | - | |
custom_filename | boolean | 否 | false | 是否需要自定义文件名 |
file_name_expression | string | 否 | "${transactionId}" | 仅在custom_filename为true时使用 |
filename_time_format | string | 否 | "yyyy.MM.dd" | 仅在custom_filename为true时使用 |
file_format_type | string | 否 | "csv" | |
field_delimiter | string | 否 | '\001' | 仅在file_format为text时使用 |
row_delimiter | string | 否 | "\n" | 仅在file_format为text时使用 |
have_partition | boolean | 否 | false | 是否需要处理分区. |
partition_by | array | 否 | - | 只有在have_partition为true时才使用 |
partition_dir_expression | string | 否 | "${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/" | 只有在have_partition为true时才使用 |
is_partition_field_write_in_file | boolean | 否 | false | 只有在have_partition为true时才使用 |
sink_columns | array | 否 | 当此参数为空时,所有字段都是接收列 | |
is_enable_transaction | boolean | 否 | true | |
batch_size | int | 否 | 1000000 | |
compress_codec | string | 否 | none | |
common-options | object | 否 | - | |
max_rows_in_memory | int | 否 | - | 仅在file_format为excel时使用. |
sheet_name | string | 否 | Sheet${Random number} | 仅在file_format为excel时使用. |
csv_string_quote_mode | enum | 否 | MINIMAL | 仅在file_format为csv时使用. |
xml_root_tag | string | 否 | RECORDS | 仅在file_format为xml时使用. |
xml_row_tag | string | 否 | RECORD | 仅在file_format为xml时使用. |
xml_use_attr_format | boolean | 否 | - | 仅在file_format为xml时使用. |
single_file_mode | boolean | 否 | false | 每个并行处理只会输出一个文件。启用此参数后,batch_size将不会生效。输出文件名没有文件块后缀. |
create_empty_file_when_no_data | boolean | 否 | false | 当上游没有数据同步时,仍然会生成相应的数据文件. |
parquet_avro_write_timestamp_as_int96 | boolean | 否 | false | 仅在file_format为parquet时使用. |
parquet_avro_write_fixed_as_int96 | array | 否 | - | 仅在file_format为parquet时使用. |
encoding | string | 否 | "UTF-8" | 仅当file_format_type为json、text、csv、xml时使用. |
path [string]
目标目录路径是必需的.
bucket [string]
cos文件系统的bucket地址,例如:cosn://seatunnel-test-1259587829
secret_id [string]
cos文件系统的密钥id.
secret_key [string]
cos文件系统的密钥.
region [string]
cos文件系统的分区.
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
描述了将在path
中创建的文件表达式。我们可以在file_name_expression
中添加变量${now}
或${uuid}
,类似于test_${uuid}_${now}
,
${now}
表示当前时间,其格式可以通过指定选项filename_time_format
来定义.
请注意,如果is_enable_transaction
为true
,我们将自动添加${transactionId}_
在文件的开头
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
。常用的时间格式如下:
符号 | 描述 |
---|---|
y | 年 |
M | 月 |
d | 日 |
H | 时 (0-23) |
m | 分 |
s | 秒 |
file_format_type [string]
我们支持以下文件类型:
text
csv
parquet
orc
json
excel
xml
binary
请注意,最终文件名将以 file_format 的后缀结尾, 文本文件的后缀为 txt
.
field_delimiter [string]
数据行中列之间的分隔符. 仅需要 text
文件格式.
row_delimiter [string]
文件中行之间的分隔符. 只需要 text
文件格式.
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,并将最终文件放置在分区目录中。
默认的 partition_dir_expression
是 ${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/
. k0
是第一个分区字段 , v0
是第一个划分字段的值.
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.
例如,如果你想写一个Hive数据文件,它的值应该是 false
.
sink_columns [array]
哪些列需要写入文件,默认值是从 Transform
或 Source
获取的所有列.
字段的顺序决定了文件实际写入的顺序.
is_enable_transaction [boolean]
如果 is_enable_transaction
为 true
, 我们将确保数据在写入目标目录时不会丢失或重复.
请注意,如果 is_enable_transaction
为 true
, 我们将自动添加 ${transactionId}_
在文件的开头.
现在只支持 true
.
batch_size [int]
文件中的最大行数。对于SeaTunnel引擎,文件中的行数由 batch_size
和 checkpoint.interval
共同决定. 如果 checkpoint.interval
的值足够大, 接收器写入程序将在文件中写入行,直到文件中的行大于 batch_size
. 如果 checkpoint.interval
较小, 则接收器写入程序将在新的检查点触发时创建一个新文件.
compress_codec [string]
文件的压缩编解码器和支持的详细信息如下所示:
- txt:
lzo
none
- json:
lzo
none
- csv:
lzo
none
- orc:
lzo
snappy
lz4
zlib
none
- parquet:
lzo
snappy
lz4
gzip
brotli
zstd
none
Tips: excel 类型不支持任何压缩格式
common options
接收器写入插件常用参数,请参考 Sink Common Options 了解详细信息.
max_rows_in_memory [int]
当文件格式为Excel时,内存中可以缓存的最大数据项数.
sheet_name [string]
编写工作簿的工作表
csv_string_quote_mode [string]
当文件格式为CSV时,CSV的字符串引用模式.
- ALL: 所有字符串字段都将被引用.
- MINIMAL: 引号字段包含特殊字符,如字段分隔符、引号字符或行分隔符字符串中的任何字符.
- NONE: 从不引用字段。当分隔符出现在数据中时,打印机会用转义符作为前缀。如果未设置转义符,格式验证将抛出异常.
xml_root_tag [string]
指定XML文件中根元素的标记名.
xml_row_tag [string]
指定XML文件中数据行的标记名称.
xml_use_attr_format [boolean]
指定是否使用标记属性格式处理数据.
parquet_avro_write_timestamp_as_int96 [boolean]
支持从时间戳写入Parquet INT96,仅适用于拼花地板文件.
parquet_avro_write_fixed_as_int96 [array]
支持从12字节字段写入Parquet INT96,仅适用于拼花地板文件.
encoding [string]
仅当file_format_type为json、text、csv、xml时使用.
要写入的文件的编码。此参数将由Charset.forName(encoding)
解析.
示例
对于具有 have_partition
、 custom_filename
和 sink_columns
的文本文件格式
CosFile {
path="/sink"
bucket = "cosn://seatunnel-test-1259587829"
secret_id = "xxxxxxxxxxxxxxxxxxx"
secret_key = "xxxxxxxxxxxxxxxxxxx"
region = "ap-chengdu"
file_format_type = "text"
field_delimiter = "\t"
row_delimiter = "\n"
have_partition = true
partition_by = ["age"]
partition_dir_expression = "${k0}=${v0}"
is_partition_field_write_in_file = true
custom_filename = true
file_name_expression = "${transactionId}_${now}"
filename_time_format = "yyyy.MM.dd"
sink_columns = ["name","age"]
is_enable_transaction = true
}
适用于带有have_partition
和 sink_columns
的parquet 文件格式`
CosFile {
path="/sink"
bucket = "cosn://seatunnel-test-1259587829"
secret_id = "xxxxxxxxxxxxxxxxxxx"
secret_key = "xxxxxxxxxxxxxxxxxxx"
region = "ap-chengdu"
have_partition = true
partition_by = ["age"]
partition_dir_expression = "${k0}=${v0}"
is_partition_field_write_in_file = true
file_format_type = "parquet"
sink_columns = ["name","age"]
}
对于orc文件格式的简单配置
CosFile {
path="/sink"
bucket = "cosn://seatunnel-test-1259587829"
secret_id = "xxxxxxxxxxxxxxxxxxx"
secret_key = "xxxxxxxxxxxxxxxxxxx"
region = "ap-chengdu"
file_format_type = "orc"
}
变更日志
下一个版本
- 添加文件cos接收器连接器 (4979)