博客

Databend 开源周报第 113 期

Databend Labs10月 2, 2023
Databend 开源周报第 113 期

英文版移步:https://www.databend.com/blog/2023-10-01-databend-weekly

Databend 是一款现代云数仓。专为弹性和高效设计,为您的大规模分析需求保驾护航。自由且开源。即刻体验云服务:https://app.databend.cn

What's On In Databend

探索 Databend 本周新进展,遇到更贴近你心意的 Databend。

数据导入具有额外列的表

默认情况下,

COPY INTO
会按照文件中的字段顺序与表中对应的列进行匹配,从而将数据导入到表中。关键在于确保文件和表之间的数据正确对齐。

如果表中的列数大于文件中的字段数,可以手动指定需要导入数据的列来保证对齐。

而在导入 CSV 格式的数据文件时,如果表中的列数大于文件中的字段数,且额外列位于表的末尾,则可以使用

FILE_FORMAT
选项
ERROR_ON_COLUMN_COUNT_MISMATCH
来导入数据。

如果您想了解更多信息,请查看下面列出的资源。

Code Corner

一起来探索 Databend 和周边生态中的代码片段或项目。

为 ParquetReader 设计读策略

直接使用

arrow-rs
的 API 存在一些问题,当我们尝试为 prewhere 和 topk 下推预取数据时,无法重用之前已经反序列化过的数据块,而在现有的实现上支持重用逻辑会很复杂。

为了改善 row group 的读逻辑并且重用上一个阶段中的预取数据,我们对相关逻辑进行了大量的重构并且引入了读策略进行解耦。

NoPrefetchPoliy

没有预取阶段。直接读、反序列化并输出你需要的数据块。

PredicateAndTopkPolicy

在预取阶段预取 prewhere 和 topk 需要的列。它们反序列化为

DataBlock
,并将其计入
RowSelection
。然后按批大小分割
DataBlock
并将结果存储在内存中的
VecDeque
中。

在最后阶段读取

RowSelection
指定的剩余列,并按批输出
DataBlocks
。接着合并预取数据并根据
output_schema
来投影得到结果数据块。

TopkOnlyPolicy

PredicateAndTopkPolicy
类似,但在预取阶段只考虑 topk。

如果您想了解更多信息,请查看下面列出的资源。

Highlights

以下是一些值得注意的事件,也许您可以找到感兴趣的内容。

  • 在 Query 日志中增加 Spill 相关信息。
  • 支持使用 COPY INTO 将数据导出为压缩文件。
  • 引入
    GET /v1/background/:tenant/background_tasks
    HTTP API 来查询后台任务。
  • 阅读 Example 4: Filtering Files with Pattern 以了解如何使用模式来过滤文件。

What's Up Next

我们始终对前沿技术和创新理念持开放态度,欢迎您加入社区,为 Databend 注入活力。

修复由 SQLsmith 检测出的问题

自上个月引入 SQLsmith 测试,累计检测出大约 40 个问题。Databend Labs 正在致力于修复这些问题来改善各种场景下的系统稳定性。

我们希望你也可以参与到这项工作中,其中可能会有一些涉及类型转换和特殊值处理的简单任务,可以参考之前的其他修复进行处理。

Issues | Found by SQLsmith

如果你对这个主题感兴趣,可以尝试解决其中的部分问题或者参与讨论和 PR review。或者,你可以点击 https://link.databend.com/i-m-feeling-lucky 来挑选一个随机问题,祝好运!

New Contributors

一起认识社区中的新伙伴,Databend 因你们而变得更加美好。

  • @zenus 修复了在执行
    COPY INTO
    期间未检测到模式不匹配的问题,#13010.

Changelog

前往查看 Databend 每日构建的变更日志,以了解开发的最新动态。

地址:https://github.com/databendlabs/databend/releases

分享本篇文章

订阅我们的新闻简报

及时了解功能发布、产品规划、支持服务和云服务的最新信息!