跳到主要内容
版本：2.3.5

Hdfs文件

Hdfs文件 数据源连接器

支持的引擎​

Spark
Flink
SeaTunnel Zeta

主要特性​

在一次 pollNext 调用中读取分片中的所有数据。将读取的分片保存在快照中。

描述​

从Hdfs文件系统中读取数据。

支持的数据源信息​

数据源支持的版本
Hdfs文件hadoop 2.x 和 3.x

源选项​

名称类型是否必须默认值描述
pathstring是-源文件路径。
file_format_typestring是-我们支持以下文件类型：text json csv orc parquet excel。请注意，最终文件名将以文件格式的后缀结束，文本文件的后缀是 txt。
fs.defaultFSstring是-以 hdfs:// 开头的 Hadoop 集群地址，例如：hdfs://hadoopcluster。
read_columnslist是-数据源的读取列列表，用户可以使用它实现字段投影。支持的文件类型的列投影如下所示：[text,json,csv,orc,parquet,excel]。提示：如果用户在读取 text json csv 文件时想要使用此功能，必须配置 schema 选项。
hdfs_site_pathstring否-hdfs-site.xml 的路径，用于加载 namenodes 的 ha 配置。
delimiter/field_delimiterstring否\001字段分隔符，用于告诉连接器在读取文本文件时如何切分字段。默认 \001，与 Hive 的默认分隔符相同。
parse_partition_from_pathboolean否true控制是否从文件路径中解析分区键和值。例如，如果您从路径 hdfs://hadoop-cluster/tmp/seatunnel/parquet/name=tyrantlucifer/age=26 读取文件，则来自文件的每条记录数据将添加这两个字段：[name:tyrantlucifer,age:26]。提示：不要在 schema 选项中定义分区字段。
date_formatstring否yyyy-MM-dd日期类型格式，用于告诉连接器如何将字符串转换为日期，支持的格式如下：yyyy-MM-dd yyyy.MM.dd yyyy/MM/dd，默认 yyyy-MM-dd。日期时间类型格式，用于告诉连接器如何将字符串转换为日期时间，支持的格式如下：yyyy-MM-dd HH:mm:ss yyyy.MM.dd HH:mm:ss yyyy/MM/dd HH:mm:ss yyyyMMddHHmmss，默认 yyyy-MM-dd HH:mm:ss。
time_formatstring否HH:mm:ss时间类型格式，用于告诉连接器如何将字符串转换为时间，支持的格式如下：HH:mm:ss HH:mm:ss.SSS，默认 HH:mm:ss。
remote_userstring否-用于连接 Hadoop 的登录用户。它旨在用于 RPC 中的远程用户，不会有任何凭据。
krb5_pathstring否/etc/krb5.confkerberos 的 krb5 路径。
kerberos_principalstring否-kerberos 的 principal。
kerberos_keytab_pathstring否-kerberos 的 keytab 路径。
skip_header_row_numberlong否0跳过前几行，但仅适用于 txt 和 csv。例如，设置如下：skip_header_row_number = 2。然后 Seatunnel 将跳过源文件中的前两行。
schemaconfig否-上游数据的模式字段。
sheet_namestring否-读取工作簿的表格，仅在文件格式为 excel 时使用。
compress_codecstring否none文件的压缩编解码器。
common-options否-源插件通用参数，请参阅 源通用选项 获取详细信息。

delimiter/field_delimiter [string]​

delimiter 参数在版本 2.3.5 后将被弃用，请改用 field_delimiter。

compress_codec [string]​

文件的压缩编解码器及支持的详细信息如下所示：

  • txt：lzo none
  • json：lzo none
  • csv：lzo none
  • orc/parquet：
    自动识别压缩类型，无需额外设置。

提示​

如果您使用 spark/flink，为了

使用此连接器，您必须确保您的 spark/flink 集群已经集成了 hadoop。测试过的 hadoop 版本是 2.x。如果您使用 SeaTunnel Engine，则在下载和安装 SeaTunnel Engine 时会自动集成 hadoop jar。您可以检查 ${SEATUNNEL_HOME}/lib 下的 jar 包来确认这一点。

任务示例​

简单示例:​

此示例定义了一个 SeaTunnel 同步任务，从 Hdfs 中读取数据并将其发送到 Hdfs。

# 定义运行时环境
env {
  parallelism = 1
  job.mode = "BATCH"
}

source {
  HdfsFile {
  schema {
    fields {
      name = string
      age = int
    }
  }
  path = "/apps/hive/demo/student"
  type = "json"
  fs.defaultFS = "hdfs://namenode001"
  }
  # 如果您想获取有关如何配置 seatunnel 和查看源插件完整列表的更多信息，
  # 请访问 https://seatunnel.apache.org/docs/category/source-v2
}

transform {
  # 如果您想获取有关如何配置 seatunnel 和查看转换插件完整列表的更多信息，
    # 请访问 https://seatunnel.apache.org/docs/category/transform-v2
}

sink {
    HdfsFile {
      fs.defaultFS = "hdfs://hadoopcluster"
      path = "/tmp/hive/warehouse/test2"
      file_format = "orc"
    }
  # 如果您想获取有关如何配置 seatunnel 和查看接收器插件完整列表的更多信息，
  # 请访问 https://seatunnel.apache.org/docs/category/sink-v2
}