本文章介绍Greenplum(简称GP)的并行化数据加载。
GP数据库使用外部表特性支持快速，并行化的数据加载。我们可以使用单行错误隔离模式来加载外部表数据，将错误或格式有问题的记录数加载到独立的错误表里面。
通过使用外部表结合GP数据库的并行文件服务器gpfdist功能，我们能够实现最大并行度和加载带宽。
如下图使用gpfdist实现外部表数据加载:
Greenplum数据库另外也提供gpload工具用来进行数据装载的工具，我们既可以在服务端访问它，也可以把它拷贝到远程的ETL服务器，进行远程数据加载。
Greenplum的gpload工具通过可读外部表和并行化文件服务器gpfdist(或gpfdists)来加载数据。gpload处理并行化的基于文件的外部表设置，以及允许我们使用单个YAML文件来配置数据格式，外部表定义，以及gpfdist或gpfdists。
要使用gpload工具有几个前提条件必须满足：
1.
使用gpload的服务器必须安装Python 2.6.2或者以上版本，pygresql工具和pyyaml工具（数据库服务端已经安装了python和需要的python库文件）
2.
必须装gpfdist程序，并把它设置到环境变量PATH中（可以从数据库服务器端的安装目录的子目录bin中拷贝该工具）
3.
确保使用gpload工具的ETL服务器与Greenplum所有服务器的联通性，以及机器名解析正确
gpload通过它的控制文件(YAML格式控制文件)指定装载的细节信息。所以编写控制文件是用好gpload的关键所在。gpload的控制文件采用YAML1.0.0.1文档格式编写，因此它必须得是有效的YAML格式。
下面我们先举个yaml格式的例子：
1.
先创建序列，用来作为记录gpload的审计记录的ID
--创建序列
create SEQUENCE gpload_audit_seq INCREMENT BY 1 MINVALUE 1 NO MAXVALUE START WITH 1;
select * from gpload_audit_seq ;
--创建审计表，记录每一次gpload执行的开始和结束事件信息
create table gpload_audit(
id bigint,
state text,
mode text,
tablename text,
updatetime timestamp
) distributed by (id);
2.
创建gpload加载数据的表
CREATE TABLE expenses
(
name text,
amount numeric,
category text,
des text,
update_date date
);
3.
编写gpload需要的yaml格式的文件my_load.yml，内容如下：
---
VERSION: 1.0.0.1
DATABASE: zhangyun_db
USER: zhangyun
HOST: cdha
PORT: 5432
GPLOAD:
INPUT:
- SOURCE:
LOCAL_HOSTNAME:
- cdha
PORT: 8081
FILE:
- /var/gpload/data
- COLUMNS:
- name: text
- amount: float4
- category: text
- des: text
- update_date: date
- FORMAT: text
- DELIMITER: '|'
- ERROR_LIMIT: 25
- ERROR_TABLE: zhangyun_schema.expenses_err
OUTPUT:
- TABLE: zhangyun_schema.expenses
- MODE: INSERT
PRELOAD:
- TRUNCATE: true
SQL:
- BEFORE: "INSERT INTO gpload_audit VALUES(nextval('gpload_audit_seq'), 'start', 'insert', 'zhangyun_schema.expenses', current_timestamp)"
- AFTER: "INSERT INTO gpload_audit VALUES(nextval('gpload_audit_seq'), 'end', 'insert', 'zhangyun_schema.expenses', current_timestamp)"
4.
执行gpload转载数据
gpload -f my_load.yml
5.
验证表
--查看数据表
zhangyun_db=# select * from expenses;
name | amount | category | des | update_date
-------+--------+----------+------+-------------
Spark | 100 | high | 专家 | 2016-06-06
(1 row)
--查看审计表
zhangyun_db=# select * from gpload_audit;
id | state | mode | tablename | updatetime
----+-------+--------+--------------------------+----------------------------
1 | start | insert | zhangyun_schema.expenses | 2016-07-03 22:14:08.376522
2 | end | insert | zhangyun_schema.expenses | 2016-07-03 22:14:09.589961
最后将yaml里面的配置说明一下：
---
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
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
-
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或者中间表对象。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
