大网数据广告活动
数据库部署与 SQL 参考

Apache Doris 中文参考:Broker Load

· 52CE 我爱测

Broker Load 通过 MySQL API 发起,由 Doris 根据 语句中的信息主动从远程数据源拉取数据。它是一种**异步导入**方式,提交后需要通过 语句查看导入进度与结果。

Broker Load 通过 MySQL API 发起,由 Doris 根据 LOAD 语句中的信息主动从远程数据源拉取数据。它是一种异步导入方式,提交后需要通过 SHOW LOAD 语句查看导入进度与结果。

该方法已废弃,将在 5.0 版本中移除。请改用语法: "insert into table select xxx from tvf or catalog table".

Broker Load 适用于以下典型场景:

  • 源数据存储在远程系统(如对象存储、HDFS)
  • 单次导入数据量较大(GB 至 TB 级)
  • 希望以异步方式批量导入,并由 Doris 自身控制并发与重试

你也可以通过 湖仓一体 / TVF 中的 HDFS TVF 或 S3 TVF 配合 INSERT INTO 实现导入。基于 TVF 的 INSERT INTO 当前为同步导入,而 Broker Load 是异步导入。

在 Doris 早期版本中,S3 Load 和 HDFS Load 都通过 WITH BROKER 连接到具体的 Broker 进程实现。随着版本迭代,S3 Load 与 HDFS Load 已不再依赖额外的 Broker 进程,但仍沿用与 Broker Load 类似的语法。由于历史原因和语法相似性,S3 Load、HDFS Load 与 Broker Load 三种导入方式被统称为 Broker Load。

使用限制

下表汇总了 Broker Load 的能力范围:

维度 支持范围
存储后端 S3 协议、HDFS 协议、其他协议(需相应 Broker 进程)
文件路径模式 通配符 *、?、[abc]、[a-z];范围展开 {1..10}、{a,b,c}。完整语法见文件路径模式
数据格式 CSV、JSON、PARQUET、ORC
压缩类型 PLAIN、GZ、LZO、BZ2、LZ4FRAME、DEFLATE、LZOP、LZ4BLOCK、SNAPPYBLOCK、ZLIB、ZSTD

基本原理

用户提交导入任务后:

  1. FE 生成对应的 Plan,并根据当前 BE 数量与文件大小,将 Plan 分发给多个 BE 执行。
  2. 每个 BE 负责导入一部分数据:从 Broker 拉取数据 → 进行数据转换 → 写入 Doris 系统。
  3. 所有 BE 完成导入后,由 FE 最终判定导入是否成功。

[图示请参阅官方原文]

BE 通过 Broker 进程读取远程存储系统的数据。引入 Broker 的主要目的是:

  • 生态兼容:用户可使用 Java 按 Broker 标准开发,便于兼容大数据生态中的各类存储系统。
  • 错误隔离:Broker 进程与 BE 进程分离,提升 BE 的稳定性。

当前 BE 已内置对 HDFS 和 S3 的支持,从 HDFS 或 S3 导入数据无需额外启动 Broker 进程。如有自定义 Broker 实现,则需部署相应的 Broker 进程。

快速上手

本节以 S3 Load 为例演示完整流程。完整语法请参考 SQL 手册中的 Broker Load。

前置检查

1. Doris 表权限

Broker Load 需要对目标表的 INSERT 权限。如果没有该权限,可通过 GRANT 命令授权。

2. S3 认证和连接信息

以 AWS S3 为例(其他对象存储系统可参考):

信息 获取方式
AK / SK AWS Console 的 My Security Credentials 中查看或新建 Access keys
REGION 创建 Bucket 时选择,或在 Bucket 列表中查看
ENDPOINT 参见 AWS 文档:S3 Endpoints

创建导入作业

步骤 1:准备 S3 上的 CSV 文件

创建 brokerload_example.csv,内容如下:

1,Emily,25
2,Benjamin,35
3,Olivia,28
4,Alexander,60
5,Ava,17
6,William,69
7,Sophia,32
8,James,64
9,Emma,37
10,Liam,64

步骤 2:在 Doris 中创建目标表

CREATE TABLE testdb.test_brokerload(
    user_id            BIGINT       NOT NULL COMMENT "user id",
    name               VARCHAR(20)           COMMENT "name",
    age                INT                   COMMENT "age"
)
DUPLICATE KEY(user_id)
DISTRIBUTED BY HASH(user_id) BUCKETS 10;

步骤 3:提交 Broker Load 作业

将 Bucket 名称与 S3 认证信息替换为实际值:

LOAD LABEL broker_load_2022_04_01
(
    DATA INFILE("s3://your_bucket_name/brokerload_example.csv")
    INTO TABLE test_brokerload
    COLUMNS TERMINATED BY ","
    FORMAT AS "CSV"
    (user_id, name, age)
)
WITH S3
(
    "provider" = "S3",
    "AWS_ENDPOINT" = "https://s3.us-west-2.amazonaws.com",
    "AWS_ACCESS_KEY" = "<your-ak>",
    "AWS_SECRET_KEY"="<your-sk>",
    "AWS_REGION" = "us-west-2",
    "compress_type" = "PLAIN"
)
PROPERTIES
(
    "timeout" = "3600"
);

provider 字段需要根据实际的对象存储服务商填写。Doris 支持的 provider 列表如下:

provider 厂商
S3 亚马逊 AWS
AZURE 微软 Azure
GCP 谷歌 GCP
OSS 阿里云
COS 腾讯云
OBS 华为云
BOS 百度云

如不在列表中(例如 MinIO),可以尝试使用 S3(兼容 AWS 模式)。

查看导入作业

Broker Load 是异步导入,可通过 SHOW LOAD 命令查看具体结果:

mysql> show load order by createtime desc limit 1\G;
*************************** 1. row ***************************
         JobId: 41326624
         Label: broker_load_2022_04_01
         State: FINISHED
      Progress: ETL:100%; LOAD:100%
          Type: BROKER
       EtlInfo: unselected.rows=0; dpp.abnorm.ALL=0; dpp.norm.ALL=27
      TaskInfo: cluster:N/A; timeout(s):1200; max_filter_ratio:0.1
      ErrorMsg: NULL
    CreateTime: 2022-04-01 18:59:06
  EtlStartTime: 2022-04-01 18:59:11
 EtlFinishTime: 2022-04-01 18:59:11
 LoadStartTime: 2022-04-01 18:59:11
LoadFinishTime: 2022-04-01 18:59:11
           URL: NULL
    JobDetails: {"Unfinished backends":{"5072bde59b74b65-8d2c0ee5b029adc0":[]},"ScannedRows":27,"TaskNumber":1,"All backends":{"5072bde59b74b65-8d2c0ee5b029adc0":[36728051]},"FileNumber":1,"FileSize":5540}
1 row in set (0.01 sec)

取消导入作业

当 Broker Load 作业状态不是 CANCELLED 或 FINISHED 时,可由用户手动取消。取消时需指定待取消任务的 Label。语法详见 CANCEL LOAD。

例如:取消数据库 demo 上 Label 为 broker_load_2022_04_01 的导入作业:

CANCEL LOAD FROM demo WHERE LABEL = "broker_load_2022_04_01";

绑定 Compute Group

存算分离模式下,Broker Load 选择 Compute Group 的优先级:

  1. 选择 use db@cluster 语句指定的 Compute Group;
  2. 选择用户属性 default_compute_group 指定的 Compute Group;
  3. 从当前用户有权限的 Compute Group 中选择一个。

存算一体模式下:选择用户属性 resource_tags.location 中指定的 Compute Group;如果用户属性中未指定,则使用名为 default 的 Compute Group。

参考手册

导入命令语法

LOAD LABEL load_label
(
data_desc1[, data_desc2, ...]
[format_properties]
)
WITH [S3|HDFS|BROKER broker_name]
[broker_properties]
[load_properties]
[COMMENT "comments"];

WITH 子句指定如何访问存储系统,broker_properties 是该访问方式的配置参数:

子句 说明
S3 使用 S3 协议的存储系统
HDFS 使用 HDFS 协议的存储系统
BROKER broker_name 其他协议的存储系统。可通过 SHOW BROKER 查看可用的 broker_name 列表。详见下文的"其他 Broker 导入"

导入配置参数

导入参数(Load Properties)

Property 名称 类型 默认值 说明
timeout Long 14400 导入的超时时间,单位秒。范围 1 ~ 259200 秒
max_filter_ratio Float 0.0 最大可容忍的不规范数据比例,默认零容忍。取值范围 0 ~ 1。错误率超过该值则导入失败。不规范数据不包括通过 WHERE 条件过滤掉的行
strict_mode Boolean false 是否开启严格模式
partial_columns Boolean false 是否使用部分列更新,仅在 Unique Key 表 + Merge on Write 时有效
timezone String "Asia/Shanghai" 本次导入使用的时区,会影响所有时区相关函数的结果
load_parallelism Integer 8 每个 BE 上并发 instance 数量的上限
send_batch_parallelism Integer 1 sink 节点发送数据的并发度,仅在关闭 memtable 前移时生效
load_to_single_tablet Boolean false 是否每个分区只导入一个 tablet。仅允许在使用 random 分桶的 OLAP 表上设置
priority HIGH / NORMAL / LOW NORMAL 导入任务的优先级

格式参数(Format Properties)

参数名 类型 默认值 说明
skip_lines Integer 0 跳过 CSV 文件开头的若干行。当格式为 csv_with_names 或 csv_with_names_and_types 时无效
trim_double_quotes Boolean false 是否去除字段外层的双引号
enclose String "" 字段包含换行符或分隔符时的包裹字符。例如分隔符为 ,、包裹字符为 ' 时,'b,c' 会被解析为一个字段
escape String "" 用于转义包裹字符的转义字符。例如转义字符为 \、包裹字符为 ',字段 'b,\'c' 将被正确解析为 'b,'c'
  • 格式参数用于定义如何解析源文件(如分隔符、引号处理),应在 LOAD 语句内部的 PROPERTIES 中设置。
  • 导入参数用于控制导入行为(如超时、重试),应在 LOAD 语句外部最外层的 PROPERTIES 块中设置。
LOAD LABEL s3_load_example (
    DATA INFILE("s3://bucket/path/file.csv")
    INTO TABLE users
    COLUMNS TERMINATED BY ","
    FORMAT AS "CSV"
    (user_id, name, age)
    PROPERTIES (
        "trim_double_quotes" = "true"  -- 格式参数
    )
)
WITH S3 (
    ...
)
PROPERTIES (
    "timeout" = "3600"  -- 导入参数
);

fe.conf 系统级配置

下面几个配置属于 Broker Load 的系统级别配置,作用于所有 Broker Load 导入任务。主要通过修改 fe.conf 来调整。

配置项 类型 默认值 说明
min_bytes_per_broker_scanner Long 67108864 (64 MB) 单个 BE 处理的数据量的最小值,单位字节
max_bytes_per_broker_scanner Long 536870912000 (500 GB) 单个 BE 处理的数据量的最大值,单位字节。一个导入作业支持的最大数据量约为 max_bytes_per_broker_scanner * BE 节点数。需要更大数据量时,应适当调大该值
max_broker_concurrency Integer 10 单个作业的最大导入并发数
default_load_parallelism Integer 8 每个 BE 节点最大并发 instance 数
broker_load_default_timeout_second Integer 14400 Broker Load 导入的默认超时时间,单位秒

导入并发数的计算

最小处理的数据量、最大并发数、源文件大小和当前集群 BE 数量共同决定本次导入的并发数:

本次导入并发数 = Math.min(源文件大小 / min_bytes_per_broker_scanner, max_broker_concurrency, 当前 BE 节点数 * load_parallelism)
本次导入单个 BE 的处理量 = 源文件大小 / 本次导入的并发数

Session Variable

Session Variable 类型 默认值 说明
time_zone String "Asia/Shanghai" 默认时区,会影响导入中时区相关函数的结果
send_batch_parallelism Integer 1 sink 节点发送数据的并发度,仅在关闭 memtable 前移时生效

导入示例

下面通过若干典型场景,展示 Broker Load 的常见用法。

场景 1:导入 HDFS 上的 TXT 文件

LOAD LABEL demo.label_20220402
(
    DATA INFILE("hdfs://host:port/tmp/test_hdfs.txt")
    INTO TABLE `load_hdfs_file_test`
    COLUMNS TERMINATED BY "\t"
    (id,age,name)
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
)
PROPERTIES
(
    "timeout"="1200",
    "max_filter_ratio"="0.1"
);

场景 2:HDFS 配置 NameNode HA

LOAD LABEL demo.label_20220402
(
    DATA INFILE("hdfs://hafs/tmp/test_hdfs.txt")
    INTO TABLE `load_hdfs_file_test`
    COLUMNS TERMINATED BY "\t"
    (id,age,name)
)
with HDFS
(
    "hadoop.username" = "user",
    "fs.defaultFS"="hdfs://hafs",
    "dfs.nameservices" = "hafs",
    "dfs.ha.namenodes.hafs" = "my_namenode1, my_namenode2",
    "dfs.namenode.rpc-address.hafs.my_namenode1" = "nn1_host:rpc_port",
    "dfs.namenode.rpc-address.hafs.my_namenode2" = "nn2_host:rpc_port",
    "dfs.client.failover.proxy.provider.hafs" = "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)
PROPERTIES
(
    "timeout"="1200",
    "max_filter_ratio"="0.1"
);

场景 3:使用通配符匹配两批文件,分别导入到两张表

Broker Load 支持在文件路径中使用通配符(*、?、[...])和范围模式({1..10})。详细语法请参阅文件路径模式。

LOAD LABEL example_db.label2
(
    DATA INFILE("hdfs://host:port/input/file-10*")
    INTO TABLE `my_table1`
    PARTITION (p1)
    COLUMNS TERMINATED BY ","
    (k1, tmp_k2, tmp_k3)
    SET (
        k2 = tmp_k2 + 1,
        k3 = tmp_k3 + 1
    ),
    DATA INFILE("hdfs://host:port/input/file-20*")
    INTO TABLE `my_table2`
    COLUMNS TERMINATED BY ","
    (k1, k2, k3)
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

使用通配符匹配 file-10* 与 file-20* 两批文件,分别导入到 my_table1 与 my_table2。其中 my_table1 指定导入到分区 p1,并将源文件中第二、三列的值 +1 后导入。

场景 4:使用通配符从 HDFS 导入一批数据

LOAD LABEL example_db.label3
(
    DATA INFILE("hdfs://host:port/user/doris/data/*/*")
    INTO TABLE `my_table`
    COLUMNS TERMINATED BY "\\x01"
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

指定分隔符为 Hive 常用的默认分隔符 \\x01,并使用通配符 * 指定 data 目录下所有子目录中的所有文件。

场景 5:导入 Parquet 格式数据

LOAD LABEL example_db.label4
(
    DATA INFILE("hdfs://host:port/input/file")
    INTO TABLE `my_table`
    FORMAT AS "parquet"
    (k1, k2, k3)
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

如未指定 FORMAT AS,默认通过文件后缀判断格式。

场景 6:从文件路径中提取分区字段

LOAD LABEL example_db.label5
(
    DATA INFILE("hdfs://host:port/input/city=beijing/*/*")
    INTO TABLE `my_table`
    FORMAT AS "csv"
    (k1, k2, k3)
    COLUMNS FROM PATH AS (city, utc_date)
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

my_table 表中的列为 k1, k2, k3, city, utc_date。

hdfs://hdfs_host:hdfs_port/user/doris/data/input/dir/city=beijing 目录下包含如下文件:

hdfs://hdfs_host:hdfs_port/input/city=beijing/utc_date=2020-10-01/0000.csv
hdfs://hdfs_host:hdfs_port/input/city=beijing/utc_date=2020-10-02/0000.csv
hdfs://hdfs_host:hdfs_port/input/city=tianji/utc_date=2020-10-03/0000.csv
hdfs://hdfs_host:hdfs_port/input/city=tianji/utc_date=2020-10-04/0000.csv

文件中只包含 k1, k2, k3 三列数据,city, utc_date 这两列从文件路径中提取。

场景 7:对导入数据进行过滤

LOAD LABEL example_db.label6
(
    DATA INFILE("hdfs://host:port/input/file")
    INTO TABLE `my_table`
    (k1, k2, k3)
    SET (
        k2 = k2 + 1
    )
    PRECEDING FILTER k1 = 1
    WHERE k1 > k2
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

只有原始数据中 k1 = 1,并且转换后 k1 > k2 的行才会被导入。

场景 8:从文件路径中提取时间分区字段

LOAD LABEL example_db.label7
(
    DATA INFILE("hdfs://host:port/user/data/*/test.txt")
    INTO TABLE `tbl12`
    COLUMNS TERMINATED BY ","
    (k2,k3)
    COLUMNS FROM PATH AS (data_time)
    SET (
        data_time=str_to_date(data_time, '%Y-%m-%d %H%%3A%i%%3A%s')
    )
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username" = "user"
);

时间包含 %3A。HDFS 路径中不允许包含 :,所有 : 会被 %3A 替换。

路径下有如下文件:

/user/data/data_time=2020-02-17 00%3A00%3A00/test.txt
/user/data/data_time=2020-02-18 00%3A00%3A00/test.txt

表结构:

CREATE TABLE IF NOT EXISTS tbl12 (
    data_time DATETIME,
    k2        INT,
    k3        INT
) DISTRIBUTED BY HASH(data_time) BUCKETS 10
PROPERTIES (
    "replication_num" = "3"
);

场景 9:使用 Merge 方式导入

LOAD LABEL example_db.label8
(
    MERGE DATA INFILE("hdfs://host:port/input/file")
    INTO TABLE `my_table`
    (k1, k2, k3, v2, v1)
    DELETE ON v2 > 100
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username"="user"
)
PROPERTIES
(
    "timeout" = "3600",
    "max_filter_ratio" = "0.1"
);

my_table 必须为 Unique Key 表。当导入数据中 v2 > 100 时,该行被视为删除行。导入超时 3600 秒,允许错误率 10%。

场景 10:指定 source_sequence 列保证替换顺序

LOAD LABEL example_db.label9
(
    DATA INFILE("hdfs://host:port/input/file")
    INTO TABLE `my_table`
    COLUMNS TERMINATED BY ","
    (k1,k2,source_sequence,v1,v2)
    ORDER BY source_sequence
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username"="user"
);

my_table 必须为 Unique Key 模型表,并指定了 Sequence 列。数据将按源数据中 source_sequence 列的值保证顺序性。

场景 11:导入 JSON,并指定 json_root / jsonpaths

LOAD LABEL example_db.label10
(
    DATA INFILE("hdfs://host:port/input/file.json")
    INTO TABLE `my_table`
    FORMAT AS "json"
    PROPERTIES(
      "json_root" = "$.item",
      "jsonpaths" = "[\"$.id\", \"$.city\", \"$.code\"]"
    )
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username"="user"
);

jsonpaths 也可以与 column list 及 SET (column_mapping) 配合使用:

LOAD LABEL example_db.label10
(
    DATA INFILE("hdfs://host:port/input/file.json")
    INTO TABLE `my_table`
    FORMAT AS "json"
    (id, code, city)
    SET (id = id * 10)
    PROPERTIES(
      "json_root" = "$.item",
      "jsonpaths" = "[\"$.id\", \"$.city\", \"$.code\"]"
    )
)
with HDFS
(
    "fs.defaultFS"="hdfs://host:port",
    "hadoop.username"="user"
);

如果需要将 JSON 文件中根节点的 JSON 对象导入,jsonpaths 需指定为 $.,即 PROPERTIES("jsonpaths"="$.")。

高级配置

S3 Load URL 访问方式

S3 SDK 默认使用 virtual-hosted-style 访问。但某些对象存储系统未开启或不支持 virtual-hosted-style,可以添加 use_path_style 参数强制使用 path-style:

WITH S3
(
    "AWS_ENDPOINT" = "AWS_ENDPOINT",
    "AWS_ACCESS_KEY" = "AWS_ACCESS_KEY",
    "AWS_SECRET_KEY"="AWS_SECRET_KEY",
    "AWS_REGION" = "AWS_REGION",
    "use_path_style" = "true"
)

S3 Load 临时密钥

支持使用临时密钥(TOKEN)访问所有支持 S3 协议的对象存储:

WITH S3
(
    "AWS_ENDPOINT" = "AWS_ENDPOINT",
    "AWS_ACCESS_KEY" = "AWS_TEMP_ACCESS_KEY",
    "AWS_SECRET_KEY" = "AWS_TEMP_SECRET_KEY",
    "AWS_TOKEN" = "AWS_TEMP_TOKEN",
    "AWS_REGION" = "AWS_REGION"
)

HDFS 认证方式

1. 简单认证

简单认证即 Hadoop 配置 hadoop.security.authentication 为 simple:

(
    "username" = "user",
    "password" = ""
);

username 配置为要访问的用户,密码置空即可。

2. Kerberos 认证

该认证方式需提供以下信息:

参数 说明
hadoop.security.authentication 指定认证方式为 kerberos
hadoop.kerberos.principal 指定 Kerberos 的 principal
hadoop.kerberos.keytab 指定 Kerberos 的 keytab 文件路径。该文件必须为 Broker 进程所在服务器上的绝对路径,且 Broker 进程可访问
kerberos_keytab_content 指定 keytab 文件内容经 base64 编码后的字符串,与 hadoop.kerberos.keytab 二选一

示例:

(
    "hadoop.security.authentication" = "kerberos",
    "hadoop.kerberos.principal" = "doris@YOUR.COM",
    "hadoop.kerberos.keytab" = "/home/doris/my.keytab"
)
(
    "hadoop.security.authentication" = "kerberos",
    "hadoop.kerberos.principal" = "doris@YOUR.COM",
    "kerberos_keytab_content" = "ASDOWHDLAWIDJHWLDKSALDJSDIWALD"
)

采用 Kerberos 认证方式,需要 krb5.conf 文件。该文件包含 Kerberos 配置信息,通常应安装在 /etc 目录下,也可通过环境变量 KRB5_CONFIG 覆盖默认位置。krb5.conf 内容示例:

[libdefaults]
    default_realm = DORIS.HADOOP
    default_tkt_enctypes = des3-hmac-sha1 des-cbc-crc
    default_tgs_enctypes = des3-hmac-sha1 des-cbc-crc
    dns_lookup_kdc = true
    dns_lookup_realm = false

[realms]
    DORIS.HADOOP = {
        kdc = kerberos-doris.hadoop.service:7005
    }

HDFS HA 模式

该配置用于访问以 HA 模式部署的 HDFS 集群。

参数 说明
dfs.nameservices 指定 HDFS 服务的名字(自定义),如 "dfs.nameservices" = "my_ha"
dfs.ha.namenodes.xxx 自定义 NameNode 名字(多个用逗号分隔)。xxx 为 dfs.nameservices 的自定义名字,如 "dfs.ha.namenodes.my_ha" = "my_nn"
dfs.namenode.rpc-address.xxx.nn 指定 NameNode 的 RPC 地址。nn 是 dfs.ha.namenodes.xxx 中的 NameNode 名字,如 "dfs.namenode.rpc-address.my_ha.my_nn" = "host:port"
dfs.client.failover.proxy.provider.[nameservice ID] 指定 Client 连接 NameNode 的 provider,默认为 org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider

示例:

(
    "fs.defaultFS" = "hdfs://my_ha",
    "dfs.nameservices" = "my_ha",
    "dfs.ha.namenodes.my_ha" = "my_namenode1, my_namenode2",
    "dfs.namenode.rpc-address.my_ha.my_namenode1" = "nn1_host:rpc_port",
    "dfs.namenode.rpc-address.my_ha.my_namenode2" = "nn2_host:rpc_port",
    "dfs.client.failover.proxy.provider.my_ha" = "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)

HA 模式可与上述两种认证方式组合使用。例如通过简单认证访问 HA HDFS:

(
    "username"="user",
    "password"="passwd",
    "fs.defaultFS" = "hdfs://my_ha",
    "dfs.nameservices" = "my_ha",
    "dfs.ha.namenodes.my_ha" = "my_namenode1, my_namenode2",
    "dfs.namenode.rpc-address.my_ha.my_namenode1" = "nn1_host:rpc_port",
    "dfs.namenode.rpc-address.my_ha.my_namenode2" = "nn2_host:rpc_port",
    "dfs.client.failover.proxy.provider.my_ha" = "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)

其他 Broker 导入

其他远端存储系统的 Broker 是 Doris 集群中的可选进程,主要用于支持 Doris 对远端存储中文件和目录的读写。目前 Doris 提供了多种远端存储系统的 Broker 实现:

  • 腾讯云 CHDFS
  • 腾讯云 GFS
  • JuiceFS

历史版本中 Doris 还支持过各类对象存储的 Broker,但当前更推荐使用 WITH S3 方式导入对象存储数据,而不再推荐 WITH BROKER。

Broker 通过提供 RPC 服务端口对外服务,是一个无状态的 Java 进程,负责为远端存储的读写操作封装类 POSIX 的文件操作(如 open、pread、pwrite 等)。Broker 不记录任何其他信息,包括远端存储的连接信息、文件信息、权限信息等,都需通过 RPC 调用中的参数传入。

Broker 仅作为数据通路,并不参与计算,因此内存占用较少。通常一个 Doris 系统中会部署一个或多个 Broker 进程。相同类型的 Broker 会组成一个组,并设定一个名称(Broker name)。

Broker 信息

Broker 信息包括 名称 和 认证信息 两部分,常用语法如下:

WITH BROKER "broker_name"
(
    "username" = "xxx",
    "password" = "yyy",
    "other_prop" = "prop_value",
    ...
);

名称(Broker Name)

通过 WITH BROKER "broker_name" 子句指定一个已存在的 Broker Name。Broker Name 是用户在通过 ALTER SYSTEM ADD BROKER 命令添加 Broker 进程时指定的名称。一个名称通常对应一个或多个 Broker 进程,Doris 会根据名称选择可用的 Broker 进程。可通过 SHOW BROKER 查看集群中已存在的 Broker。

Broker Name 只是一个用户自定义名称,不代表 Broker 的类型。

认证信息

不同 Broker 类型与不同的访问方式需要提供不同的认证信息。认证信息通常在 WITH BROKER "broker_name" 之后的 Property Map 中以 Key-Value 方式提供。

各类 Broker 的连接配置

阿里云 OSS

(
    "fs.oss.accessKeyId" = "",
    "fs.oss.accessKeySecret" = "",
    "fs.oss.endpoint" = ""
)

百度云 BOS

使用 BOS 时需下载相应的 SDK 包,具体配置与使用可参考 BOS HDFS 官方文档。下载并解压后,将 jar 包放到 Broker 的 lib 目录下。

(
    "fs.bos.access.key" = "xx",
    "fs.bos.secret.access.key" = "xx",
    "fs.bos.endpoint" = "xx"
)

华为云 OBS

(
    "fs.obs.access.key" = "xx",
    "fs.obs.secret.key" = "xx",
    "fs.obs.endpoint" = "xx"
)

JuiceFS

(
    "fs.defaultFS" = "jfs://xxx/",
    "fs.jfs.impl" = "io.juicefs.JuiceFileSystem",
    "fs.AbstractFileSystem.jfs.impl" = "io.juicefs.JuiceFS",
    "juicefs.meta" = "xxx",
    "juicefs.access-log" = "xxx"
)

GCS

使用 Broker 访问 GCS 时,Project ID 是必须的,其他参数可选,所有参数配置请参见 GCS Config:

(
    "fs.gs.project.id" = "Your Project ID",
    "fs.AbstractFileSystem.gs.impl" = "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFS",
    "fs.gs.impl" = "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem",
)

常见问题与故障排查

常见报错

1. 导入报错:Scan bytes per broker scanner exceed limit:xxx

请参考"导入超时"章节,修改 FE 配置项 max_bytes_per_broker_scanner 与 max_broker_concurrency。

2. 导入报错:failed to send batch 或 TabletWriter add batch with unknown id

适当调整 query_timeout 与 streaming_load_rpc_max_alive_time_sec。

3. 导入报错:LOAD_RUN_FAIL; msg:Invalid Column Name:xxx

如果是 PARQUET 或 ORC 格式的数据,文件头中的列名需要与 Doris 表中的列名保持一致。例如:

(tmp_c1,tmp_c2)
SET
(
    id=tmp_c2,
    name=tmp_c1
)

含义为:从 Parquet 或 ORC 文件中获取列名为 (tmp_c1, tmp_c2) 的列,映射到 Doris 表的 (id, name) 列。如果未设置 SET,则以 column 中的列作为映射。

注意:某些 Hive 版本直接生成的 ORC 文件,文件中的表头并非 Hive Meta 数据,而是 (_col0, _col1, _col2, ...),可能导致 Invalid Column Name 错误,此时需要使用 SET 进行映射。

4. 导入报错:Failed to get S3 FileSystem for bucket is null/empty

Bucket 信息填写不正确或不存在,或 Bucket 格式不受支持。例如使用 GCS 创建带 _ 的桶名时(如 s3://gs_bucket/load_tbl),S3 Client 访问 GCS 会报错;建议创建 Bucket 路径时不使用 _。

5. 导入超时

导入的 timeout 默认超时时间为 4 小时。如果超时,不推荐直接将最大超时时间调大解决。单次导入超过 4 小时时,建议通过切分待导入文件并分多次导入来解决,因为超时时间设置过大会导致单次失败后重试的时间成本很高。

可通过如下公式估算 Doris 集群期望的最大单次导入文件数据量:

期望最大导入文件数据量 = 14400s * 10M/s * BE 个数

例如:集群 BE 个数为 10
期望最大导入文件数据量 = 14400s * 10M/s * 10 = 1440000M ≈ 1440G

注意:一般用户环境可能达不到 10M/s 的速度,所以建议超过 500G 的文件都进行切分后再导入。

更多帮助

关于 Broker Load 的更多详细语法及最佳实践,请参阅 Broker Load 命令手册。也可以在 MySQL 客户端命令行中执行 HELP BROKER LOAD 获取更多帮助信息。

本文来自 Apache Doris 文档贡献者,按 Apache 2.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。

资料来源与适用范围

资料来源
Apache Doris 文档贡献者
适用范围
master 文档快照(2026-11-16)
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
Apache 2.0

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。