从云存储导入 Apache Parquet 文件到 TiDB Cloud Starter 或 Essential

你可以将未压缩和 Snappy 压缩的 Apache Parquet 格式数据文件导入到 TiDB Cloud Starter 或 TiDB Cloud Essential。本文档介绍如何将 Parquet 文件从 Amazon Simple Storage Service（Amazon S3）、Google Cloud Storage（GCS）、Azure Blob Storage 或阿里云对象存储服务（OSS）导入到 TiDB Cloud Starter 或 TiDB Cloud Essential。

注意

关于 TiDB Cloud Dedicated，请参见从云存储导入 Parquet 文件到 TiDB Cloud Dedicated。
TiDB Cloud 仅支持将 Parquet 文件导入到空表中。若需将数据导入到已存在且包含数据的表中，你可以按照本文档将数据导入到一个临时空表，然后使用 INSERT SELECT 语句将数据复制到目标已存在的表中。
Snappy 压缩文件必须采用官方 Snappy 格式。不支持其他变体的 Snappy 压缩格式。

第 1 步：准备 Parquet 文件

注意

当前，TiDB Cloud 不支持导入包含以下任意数据类型的 Parquet 文件。如果待导入的 Parquet 文件包含这些数据类型，你需要先使用支持的数据类型（例如 STRING）重新生成 Parquet 文件。或者，你也可以使用如 AWS Glue 等服务轻松转换数据类型。

LIST
NEST STRUCT
BOOL
ARRAY
MAP

如果某个 Parquet 文件大于 256 MB，建议将其拆分为多个较小的文件，每个文件大小约为 256 MB。
TiDB Cloud 支持导入非常大的 Parquet 文件，但在多个约 256 MB 的输入文件时性能最佳。这是因为 TiDB Cloud 可以并行处理多个文件，从而大幅提升导入速度。
按如下方式命名 Parquet 文件：
- 如果一个 Parquet 文件包含整个表的所有数据，文件名应采用 ${db_name}.${table_name}.parquet 格式，导入数据时会映射到 ${db_name}.${table_name} 表。
- 如果一个表的数据被拆分到多个 Parquet 文件中，应为这些 Parquet 文件添加数字后缀。例如，${db_name}.${table_name}.000001.parquet 和 ${db_name}.${table_name}.000002.parquet。数字后缀可以不连续，但必须为正序。你还需要在数字前补零，以保证所有后缀长度一致。
注意
如果在某些情况下你无法按照上述规则修改 Parquet 文件名（例如，这些 Parquet 文件链接也被你的其他程序使用），你可以保持文件名不变，并在第 4 步的 Mapping Settings 中将源数据导入到单一目标表。

第 2 步：创建目标表结构

由于 Parquet 文件不包含 schema 信息，在将 Parquet 文件中的数据导入 TiDB Cloud 之前，你需要通过以下任一方法创建表结构：

方法 1：在 TiDB Cloud 中为你的源数据创建目标数据库和表。
方法 2：在存放 Parquet 文件的 Amazon S3、GCS、Azure Blob Storage 或阿里云对象存储服务目录下，为你的源数据创建目标表结构文件，具体如下：
1. 为你的源数据创建数据库结构文件。
  如果你的 Parquet 文件遵循第 1 步的命名规则，则数据库结构文件对于数据导入是可选的。否则，数据库结构文件是必需的。
  每个数据库结构文件必须采用 ${db_name}-schema-create.sql 格式，并包含一个 CREATE DATABASE DDL 语句。通过该文件，TiDB Cloud 会在导入数据时创建 ${db_name} 数据库以存储你的数据。
  例如，如果你创建了一个包含如下语句的 mydb-schema-create.sql 文件，TiDB Cloud 会在导入数据时创建 mydb 数据库。
```
CREATE DATABASE mydb;
```
2. 为你的源数据创建表结构文件。
  如果你没有在存放 Parquet 文件的 Amazon S3、GCS、Azure Blob Storage 或阿里云对象存储服务目录下包含表结构文件，TiDB Cloud 在导入数据时不会为你创建相应的表。
  每个表结构文件必须采用 ${db_name}.${table_name}-schema.sql 格式，并包含一个 CREATE TABLE DDL 语句。通过该文件，TiDB Cloud 会在导入数据时于 ${db_name} 数据库中创建 ${db_table} 表。
  例如，如果你创建了一个包含如下语句的 mydb.mytable-schema.sql 文件，TiDB Cloud 会在导入数据时于 mydb 数据库中创建 mytable 表。
```
CREATE TABLE mytable (
ID INT,
REGION VARCHAR(20),
COUNT INT );
```
  注意
  每个 ${db_name}.${table_name}-schema.sql 文件只能包含一个 DDL 语句。如果文件中包含多个 DDL 语句，只有第一个会生效。

第 3 步：配置跨账户访问

为了让 TiDB Cloud 能够访问 Amazon S3、GCS、Azure Blob Storage 或阿里云对象存储服务 bucket 中的 Parquet 文件，请执行以下操作之一：

如果你的 Parquet 文件位于 Amazon S3，请为你的集群配置 Amazon S3 访问。
你可以使用 AWS 访问密钥或 Role ARN 访问你的 bucket。完成后，请记录访问密钥（包括访问密钥 ID 和密钥）或 Role ARN 值，后续在第 4 步中会用到。
如果你的 Parquet 文件位于 GCS，请为你的集群配置 GCS 访问。
如果你的 Parquet 文件位于 Azure Blob Storage，请为你的集群配置 Azure Blob Storage 访问。
如果你的 Parquet 文件位于阿里云对象存储服务（OSS），请为你的集群配置阿里云对象存储服务（OSS）访问。

第 4 步：导入 Parquet 文件

要将 Parquet 文件导入到 TiDB Cloud Starter 或 TiDB Cloud Essential，请按照以下步骤操作：

打开目标集群的 Import 页面。
1. 登录 TiDB Cloud 控制台，并进入你的项目的 Clusters 页面。
  提示：
  你可以使用左上角的下拉框在组织、项目和集群之间切换。
2. 点击目标集群名称进入其概览页面，然后在左侧导航栏点击 Data > Import。
点击 Import data from Cloud Storage。
在 Import Data from Cloud Storage 页面，填写以下信息：
- Storage Provider：选择 Amazon S3。
- Source Files URI：
  - 导入单个文件时，输入源文件 URI，格式为 s3://[bucket_name]/[data_source_folder]/[file_name].parquet。例如：s3://sampledata/ingest/TableName.01.parquet。
  - 导入多个文件时，输入源文件夹 URI，格式为 s3://[bucket_name]/[data_source_folder]/。例如：s3://sampledata/ingest/。
- Credential：你可以使用 AWS Role ARN 或 AWS 访问密钥访问你的 bucket。详情参见配置 Amazon S3 访问。
  - AWS Role ARN：输入 AWS Role ARN 值。
  - AWS Access Key：输入 AWS 访问密钥 ID 和 AWS 密钥。
点击 Next。
在 Destination Mapping 部分，指定源文件与目标表的映射方式。
当 Source Files URI 指定为目录时，Use File naming conventions for automatic mapping 选项默认被选中。
注意
当 Source Files URI 指定为单个文件时，不显示 Use File naming conventions for automatic mapping 选项，TiDB Cloud 会自动将 Source 字段填充为文件名。此时你只需选择目标数据库和表进行数据导入。
- 若希望 TiDB Cloud 自动将所有遵循文件命名规范的源文件映射到对应表，请保持该选项选中，并选择 Parquet 作为数据格式。
- 若需手动配置映射规则，将你的源 Parquet 文件与目标数据库和表关联，请取消选中该选项，然后填写以下字段：
  - Source：输入文件名模式，格式为 [file_name].parquet。例如：TableName.01.parquet。你也可以使用通配符匹配多个文件，仅支持 * 和 ? 通配符。
    - my-data?.parquet：匹配所有以 my-data 开头，后跟单个字符的 Parquet 文件，如 my-data1.parquet 和 my-data2.parquet。
    - my-data*.parquet：匹配所有以 my-data 开头的 Parquet 文件，如 my-data-2023.parquet 和 my-data-final.parquet。
  - Target Database 和 Target Table：选择要导入数据的目标数据库和表。
点击 Next。TiDB Cloud 会相应扫描源文件。
查看扫描结果，检查找到的数据文件及其对应的目标表，然后点击 Start Import。
当导入进度显示 Completed 时，检查已导入的表。

打开目标集群的 Import 页面。
1. 登录 TiDB Cloud 控制台，并进入你的项目的 Clusters 页面。
  提示：
  你可以使用左上角的下拉框在组织、项目和集群之间切换。
2. 点击目标集群名称进入其概览页面，然后在左侧导航栏点击 Data > Import。
点击 Import data from Cloud Storage。
在 Import Data from Cloud Storage 页面，填写以下信息：
- Storage Provider：选择 Google Cloud Storage。
- Source Files URI：
  - 导入单个文件时，输入源文件 URI，格式为 [gcs|gs]://[bucket_name]/[data_source_folder]/[file_name].parquet。例如：[gcs|gs]://sampledata/ingest/TableName.01.parquet。
  - 导入多个文件时，输入源文件夹 URI，格式为 [gcs|gs]://[bucket_name]/[data_source_folder]/。例如：[gcs|gs]://sampledata/ingest/。
- Credential：你可以使用 GCS IAM Role Service Account 密钥访问你的 bucket。详情参见配置 GCS 访问。
点击 Next。
在 Destination Mapping 部分，指定源文件与目标表的映射方式。
当 Source Files URI 指定为目录时，Use File naming conventions for automatic mapping 选项默认被选中。
注意
当 Source Files URI 指定为单个文件时，不显示 Use File naming conventions for automatic mapping 选项，TiDB Cloud 会自动将 Source 字段填充为文件名。此时你只需选择目标数据库和表进行数据导入。
- 若希望 TiDB Cloud 自动将所有遵循文件命名规范的源文件映射到对应表，请保持该选项选中，并选择 Parquet 作为数据格式。
- 若需手动配置映射规则，将你的源 Parquet 文件与目标数据库和表关联，请取消选中该选项，然后填写以下字段：
  - Source：输入文件名模式，格式为 [file_name].parquet。例如：TableName.01.parquet。你也可以使用通配符匹配多个文件，仅支持 * 和 ? 通配符。
    - my-data?.parquet：匹配所有以 my-data 开头，后跟单个字符的 Parquet 文件，如 my-data1.parquet 和 my-data2.parquet。
    - my-data*.parquet：匹配所有以 my-data 开头的 Parquet 文件，如 my-data-2023.parquet 和 my-data-final.parquet。
  - Target Database 和 Target Table：选择要导入数据的目标数据库和表。
点击 Next。TiDB Cloud 会相应扫描源文件。
查看扫描结果，检查找到的数据文件及其对应的目标表，然后点击 Start Import。
当导入进度显示 Completed 时，检查已导入的表。

打开目标集群的 Import 页面。
1. 登录 TiDB Cloud 控制台，并进入你的项目的 Clusters 页面。
  提示：
  你可以使用左上角的下拉框在组织、项目和集群之间切换。
2. 点击目标集群名称进入其概览页面，然后在左侧导航栏点击 Data > Import。
点击 Import data from Cloud Storage。
在 Import Data from Cloud Storage 页面，填写以下信息：
- Storage Provider：选择 Azure Blob Storage。
- Source Files URI：
  - 导入单个文件时，输入源文件 URI，格式为 [azure|https]://[bucket_name]/[data_source_folder]/[file_name].parquet。例如：[azure|https]://sampledata/ingest/TableName.01.parquet。
  - 导入多个文件时，输入源文件夹 URI，格式为 [azure|https]://[bucket_name]/[data_source_folder]/。例如：[azure|https]://sampledata/ingest/。
- Credential：你可以使用共享访问签名（SAS）令牌访问你的 bucket。详情参见配置 Azure Blob Storage 访问。
点击 Next。
在 Destination Mapping 部分，指定源文件与目标表的映射方式。
当 Source Files URI 指定为目录时，Use File naming conventions for automatic mapping 选项默认被选中。
注意
当 Source Files URI 指定为单个文件时，不显示 Use File naming conventions for automatic mapping 选项，TiDB Cloud 会自动将 Source 字段填充为文件名。此时你只需选择目标数据库和表进行数据导入。
- 若希望 TiDB Cloud 自动将所有遵循文件命名规范的源文件映射到对应表，请保持该选项选中，并选择 Parquet 作为数据格式。
- 若需手动配置映射规则，将你的源 Parquet 文件与目标数据库和表关联，请取消选中该选项，然后填写以下字段：
  - Source：输入文件名模式，格式为 [file_name].parquet。例如：TableName.01.parquet。你也可以使用通配符匹配多个文件，仅支持 * 和 ? 通配符。
    - my-data?.parquet：匹配所有以 my-data 开头，后跟单个字符的 Parquet 文件，如 my-data1.parquet 和 my-data2.parquet。
    - my-data*.parquet：匹配所有以 my-data 开头的 Parquet 文件，如 my-data-2023.parquet 和 my-data-final.parquet。
  - Target Database 和 Target Table：选择要导入数据的目标数据库和表。
点击 Next。TiDB Cloud 会相应扫描源文件。
查看扫描结果，检查找到的数据文件及其对应的目标表，然后点击 Start Import。
当导入进度显示 Completed 时，检查已导入的表。

打开目标集群的 Import 页面。
1. 登录 TiDB Cloud 控制台，并进入你的项目的 Clusters 页面。
  提示：
  你可以使用左上角的下拉框在组织、项目和集群之间切换。
2. 点击目标集群名称进入其概览页面，然后在左侧导航栏点击 Data > Import。
点击 Import data from Cloud Storage。
在 Import Data from Cloud Storage 页面，填写以下信息：
- Storage Provider：选择 Alibaba Cloud OSS。
- Source Files URI：
  - 导入单个文件时，输入源文件 URI，格式为 oss://[bucket_name]/[data_source_folder]/[file_name].parquet。例如：oss://sampledata/ingest/TableName.01.parquet。
  - 导入多个文件时，输入源文件夹 URI，格式为 oss://[bucket_name]/[data_source_folder]/。例如：oss://sampledata/ingest/。
- Credential：你可以使用 AccessKey 对访问你的 bucket。详情参见配置阿里云对象存储服务（OSS）访问。
点击 Next。
在 Destination Mapping 部分，指定源文件与目标表的映射方式。
当 Source Files URI 指定为目录时，Use File naming conventions for automatic mapping 选项默认被选中。
注意
当 Source Files URI 指定为单个文件时，不显示 Use File naming conventions for automatic mapping 选项，TiDB Cloud 会自动将 Source 字段填充为文件名。此时你只需选择目标数据库和表进行数据导入。
- 若希望 TiDB Cloud 自动将所有遵循文件命名规范的源文件映射到对应表，请保持该选项选中，并选择 Parquet 作为数据格式。
- 若需手动配置映射规则，将你的源 Parquet 文件与目标数据库和表关联，请取消选中该选项，然后填写以下字段：
  - Source：输入文件名模式，格式为 [file_name].parquet。例如：TableName.01.parquet。你也可以使用通配符匹配多个文件，仅支持 * 和 ? 通配符。
    - my-data?.parquet：匹配所有以 my-data 开头，后跟单个字符的 Parquet 文件，如 my-data1.parquet 和 my-data2.parquet。
    - my-data*.parquet：匹配所有以 my-data 开头的 Parquet 文件，如 my-data-2023.parquet 和 my-data-final.parquet。
  - Target Database 和 Target Table：选择要导入数据的目标数据库和表。
点击 Next。TiDB Cloud 会相应扫描源文件。
查看扫描结果，检查找到的数据文件及其对应的目标表，然后点击 Start Import。
当导入进度显示 Completed 时，检查已导入的表。

当你运行导入任务时，如果检测到任何不支持或无效的转换，TiDB Cloud 会自动终止导入作业并报告导入错误。

如果你遇到导入错误，请按以下步骤操作：

删除部分导入的表。
检查表结构文件。如果有错误，请修正表结构文件。
检查 Parquet 文件中的数据类型。
如果 Parquet 文件包含任何不支持的数据类型（如 NEST STRUCT、ARRAY 或 MAP），你需要使用支持的数据类型（如 STRING）重新生成 Parquet 文件。
重新尝试导入任务。

支持的数据类型

下表列出了可导入到 TiDB Cloud Starter 和 TiDB Cloud Essential 的 Parquet 支持数据类型。

Parquet Primitive Type	Parquet Logical Type	Types in TiDB or MySQL
DOUBLE	DOUBLE	DOUBLE FLOAT
FIXED_LEN_BYTE_ARRAY(9)	DECIMAL(20,0)	BIGINT UNSIGNED
FIXED_LEN_BYTE_ARRAY(N)	DECIMAL(p,s)	DECIMAL NUMERIC
INT32	DECIMAL(p,s)	DECIMAL NUMERIC
INT32	N/A	INT MEDIUMINT YEAR
INT64	DECIMAL(p,s)	DECIMAL NUMERIC
INT64	N/A	BIGINT INT UNSIGNED MEDIUMINT UNSIGNED
INT64	TIMESTAMP_MICROS	DATETIME TIMESTAMP
BYTE_ARRAY	N/A	BINARY BIT BLOB CHAR LINESTRING LONGBLOB MEDIUMBLOB MULTILINESTRING TINYBLOB VARBINARY
BYTE_ARRAY	STRING	ENUM DATE DECIMAL GEOMETRY GEOMETRYCOLLECTION JSON LONGTEXT MEDIUMTEXT MULTIPOINT MULTIPOLYGON NUMERIC POINT POLYGON SET TEXT TIME TINYTEXT VARCHAR
SMALLINT	N/A	INT32
SMALLINT UNSIGNED	N/A	INT32
TINYINT	N/A	INT32
TINYINT UNSIGNED	N/A	INT32

故障排查

解决数据导入过程中的警告

点击 Start Import 后，如果你看到类似 can't find the corresponding source files 的警告信息，请通过提供正确的源文件、按照数据导入命名规范重命名现有文件，或使用 Advanced Settings 进行调整来解决。

解决这些问题后，你需要重新导入数据。

导入表中行数为零

当导入进度显示 Completed 后，检查已导入的表。如果行数为零，说明没有数据文件匹配你输入的 Bucket URI。此时，请通过提供正确的源文件、按照数据导入命名规范重命名现有文件，或使用 Advanced Settings 进行调整来解决。之后，重新导入这些表。