SftpFile
Sftp文件数据源连接器
支持的引擎
Spark
Flink
SeaTunnel Zeta
主要特性
描述
从sftp文件服务器读取数据。
支持的数据源信息
为了使用SftpFile连接器,需要以下依赖项。 可以通过install-plugin.sh或从Maven中央仓库下载。
数据源 | 支持的版本 | 依赖 |
---|---|---|
SftpFile | universal | 下载 |
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引擎,它在您下载和安装SeaTunnel引擎时会自动集成hadoop jar。您可以检查${SEATUNNEL_HOME}/lib下的jar包来确认这一点。
为了支持更多文件类型,我们做了一些权衡,因此我们使用HDFS协议进行内部访问Sftp,此连接器需要一些hadoop依赖项。 它只支持hadoop版本2.9.X+。
数据类型映射
文件没有特定的类型列表,我们可以通过在配置中指定Schema来指示相应的数据需要转换为哪种SeaTunnel数据类型。
SeaTunnel数据类型 |
---|
STRING |
SHORT |
INT |
BIGINT |
BOOLEAN |
DOUBLE |
DECIMAL |
FLOAT |
DATE |
TIME |
TIMESTAMP |
BYTES |
ARRAY |
MAP |
数据源选项
名称 | 类型 | 是否必需 | 默认值 | 描述 |
---|---|---|---|---|
host | String | 是 | - | 目标sftp主机是必需的 |
port | Int | 是 | - | 目标sftp端口是必需的 |
user | String | 是 | - | 目标sftp用户名是必需的 |
password | String | 是 | - | 目标sftp密码是必需的 |
path | String | 是 | - | 源文件路径。 |
file_format_type | String | 是 | - | 请查看下面的#file_format_type |
file_filter_pattern | String | 否 | - | 过滤模式,用于过滤文件。 |
filename_extension | string | 否 | - | 过滤文件名扩展名,用于过滤具有特定扩展名的文件。例如:csv .txt json .xml 。 |
delimiter/field_delimiter | String | 否 | \001 | delimiter参数将在2.3.5版本后弃用,请使用field_delimiter代替。 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 |
row_delimiter | string | 否 | \n | 行分隔符,用于告诉连接器在读取文本文件时如何切分行。 默认 \n 。 |
parse_partition_from_path | Boolean | 否 | true | 控制是否从文件路径解析分区键和值 例如,如果您从路径 oss://hadoop-cluster/tmp/seatunnel/parquet/name=tyrantlucifer/age=26 读取文件文件中的每条记录数据都将添加这两个字段: name age tyrantlucifer 26 提示:不要在schema选项中定义分区字段 |
date_format | String | 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,支持以下格式:yyyy-MM-dd yyyy.MM.dd yyyy/MM/dd 默认 yyyy-MM-dd |
datetime_format | String | 否 | yyyy-MM-dd HH:mm:ss | 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,支持以下格式: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_format | String | 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,支持以下格式:HH:mm:ss HH:mm:ss.SSS 默认 HH:mm:ss |
skip_header_row_number | Long | 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将跳过源文件的前2行 |
read_columns | list | 否 | - | 数据源的读取列列表,用户可以使用它来实现字段投影。 |
sheet_name | String | 否 | - | 读取工作簿的工作表,仅在file_format为excel时使用。 |
xml_row_tag | string | 否 | - | 指定XML文件中数据行的标签名称,仅在file_format为xml时使用。 |
xml_use_attr_format | boolean | 否 | - | 指定是否使用标签属性格式处理数据,仅在file_format为xml时使用。 |
csv_use_header_line | boolean | 否 | false | 是否使用标题行来解析文件,仅在file_format为csv 且文件包含符合RFC 4180的标题行时使用 |
schema | Config | 否 | - | 请查看下面的#schema |
compress_codec | String | 否 | None | 文件的压缩编解码器,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 提示:excel类型不支持任何压缩格式 |
archive_compress_codec | string | 否 | none | |
encoding | string | 否 | UTF-8 | |
null_format | string | 否 | - | 仅在file_format_type为text时使用。null_format用于定义哪些字符串可以表示为null。例如:\N |
binary_chunk_size | int | 否 | 1024 | 仅在file_format_type为binary时使用。读取二进制文件的块大小(以字节为单位)。默认为1024字节。较大的值可能会提高大文件的性能,但会使用更多内存。 |
binary_complete_file_mode | boolean | 否 | false | 仅在file_format_type为binary时使用。是否将完整文件作为单个块读取,而不是分割成块。启用时,整个文件内容将一次性读入内存。默认为false。 |
common-options | 否 | - | 数据源插件通用参数,请参考数据源通用选项了解详情。 |
file_filter_pattern [string]
过滤模式,用于过滤文件。
该模式遵循标准正则表达式。详情请参考 https://en.wikipedia.org/wiki/Regular_expression。 以下是一些示例。
文件结构示例:
/data/seatunnel/20241001/report.txt
/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv
/data/seatunnel/20241005/old_data.csv
/data/seatunnel/20241012/logo.png
匹配规则示例:
示例1:匹配所有.txt文件,正则表达式:
/data/seatunnel/20241001/.*\.txt
此示例匹配的结果是:
/data/seatunnel/20241001/report.txt
示例2:匹配所有以abc开头的文件,正则表达式:
/data/seatunnel/20241002/abc.*
此示例匹配的结果是:
/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv
示例3:匹配所有以abc开头,且第四个字符是h或g的文件,正则表达式:
/data/seatunnel/20241007/abc[h,g].*
此示例匹配的结果是:
/data/seatunnel/20241007/abch202410.csv
示例4:匹配以202410开头的第三级文件夹和以.csv结尾的文件,正则表达式:
/data/seatunnel/202410\d*/.*\.csv
此示例匹配的结果是:
/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv
/data/seatunnel/20241005/old_data.csv
file_format_type [string]
文件类型,支持以下文件类型:
text
csv
parquet
orc
json
excel
xml
binary
如果您将文件类型指定为json
,您还应该指定schema选项来告诉连接器如何将数据解析为您想要的行。
例如:
上游数据如下:
{"code": 200, "data": "get success", "success": true}
您也可以在一个文件中保存多条数据,并用换行符分隔:
{"code": 200, "data": "get success", "success": true}
{"code": 300, "data": "get failed", "success": false}
您应该按如下方式指定schema:
schema {
fields {
code = int
data = string
success = boolean
}
}
连接器将生成如下数据:
| code | data | success |
|------|-------------|---------|
| 200 | get success | true |
如果您将文件类型指定为parquet
orc
,则不需要schema选项,连接器可以自动找到上游数据的schema。
如果您将文件类型指定为text
csv
,您可以选择指定schema信息或不指定。
例如,上游数据如下:
tyrantlucifer#26#male
如果您不指定数据schema,连接器将把上游数据视为如下:
| content |
|-----------------------|
| tyrantlucifer#26#male |
如果您指定数据schema,除了CSV文件类型外,您还应该指定选项field_delimiter
您应该按如下方式指定schema和分隔符:
field_delimiter = "#"
schema {
fields {
name = string
age = int
gender = string
}
}
连接器将生成如下数据: | name | age | gender | |---------------|-----|--------| | tyrantlucifer | 26 | male |
如果您将文件类型指定为binary
,SeaTunnel可以同步任何格式的文件,
例如压缩包、图片等。简而言之,任何文件都可以同步到目标位置。
在此要求下,您需要确保源和接收器同时使用binary
格式进行文件同步。
compress_codec [string]
文件的压缩编解码器,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。
archive_compress_codec [string]
归档文件的压缩编解码器,支持的详细信息如下所示:
archive_compress_codec | file_format | archive_compress_suffix |
---|---|---|
ZIP | txt,json,excel,xml | .zip |
TAR | txt,json,excel,xml | .tar |
TAR_GZ | txt,json,excel,xml | .tar.gz |
GZ | txt,json,excel,xml | .gz |
NONE | all | .* |
注意:gz压缩的excel文件需要压缩原始文件或指定文件后缀,例如e2e.xls ->e2e_test.xls.gz
encoding [string]
仅在file_format_type为json、text、csv、xml时使用。
要读取的文件的编码。此参数将由Charset.forName(encoding)
解析。
binary_chunk_size [int]
仅在file_format_type为binary时使用。
读取二进制文件的块大小(以字节为单位)。默认为1024字节。较大的值可能会提高大文件的性能,但会使用更多内存。
binary_complete_file_mode [boolean]
仅在file_format_type为binary时使用。
是否将完整文件作为单个块读取,而不是分割成块。启用时,整个文件内容将一次性读入内存。默认为false。
schema [config]
fields [Config]
上游数据的schema。
如何创建Sftp数据同步作业
以下示例演示如何创建从sftp读取数据并在本地客户端打印的数据同步作业:
# 设置要执行的任务的基本配置
env {
parallelism = 1
job.mode = "BATCH"
}
# 创建连接到sftp的数据源
source {
SftpFile {
host = "sftp"
port = 22
user = seatunnel
password = pass
path = "tmp/seatunnel/read/json"
file_format_type = "json"
plugin_output = "sftp"
schema = {
fields {
c_map = "map<string, string>"
c_array = "array<int>"
c_string = string
c_boolean = boolean
c_tinyint = tinyint
c_smallint = smallint
c_int = int
c_bigint = bigint
c_float = float
c_double = double
c_bytes = bytes
c_date = date
c_decimal = "decimal(38, 18)"
c_timestamp = timestamp
c_row = {
C_MAP = "map<string, string>"
C_ARRAY = "array<int>"
C_STRING = string
C_BOOLEAN = boolean
C_TINYINT = tinyint
C_SMALLINT = smallint
C_INT = int
C_BIGINT = bigint
C_FLOAT = float
C_DOUBLE = double
C_BYTES = bytes
C_DATE = date
C_DECIMAL = "decimal(38, 18)"
C_TIMESTAMP = timestamp
}
}
}
}
}
# 控制台打印读取的sftp数据
sink {
Console {
parallelism = 1
}
}
多表
SftpFile {
tables_configs = [
{
schema {
table = "student"
fields {
name = string
age = int
}
}
path = "/tmp/seatunnel/sink/text"
host = "192.168.31.48"
port = 21
user = tyrantlucifer
password = tianchao
file_format_type = "parquet"
},
{
schema {
table = "teacher"
fields {
name = string
age = int
}
}
path = "/tmp/seatunnel/sink/text"
host = "192.168.31.48"
port = 21
user = tyrantlucifer
password = tianchao
file_format_type = "parquet"
}
]
}
过滤文件
env {
parallelism = 1
job.mode = "BATCH"
}
source {
SftpFile {
host = "sftp"
port = 22
user = seatunnel
password = pass
path = "tmp/seatunnel/read/json"
file_format_type = "json"
plugin_output = "sftp"
// 文件示例 abcD2024.csv
file_filter_pattern = "abc[DX]*.*"
}
}
sink {
Console {
}
}