> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Méthodes de fabrique de DataStore

> Créer des instances DataStore à partir de fichiers, de bases de données, de stockage dans le cloud et de lacs de données

DataStore propose plus de 20 méthodes de fabrique pour créer des instances à partir de différentes sources de données, notamment des fichiers locaux, des bases de données, du stockage dans le cloud et des lacs de données.

<div id="uri">
  ## Interface URI universelle
</div>

La méthode `uri()` est le point d’accès universel recommandé, qui détecte automatiquement le type de source :

```python theme={null}
from chdb.datastore import DataStore

# Local files
ds = DataStore.uri("data.csv")
ds = DataStore.uri("/path/to/data.parquet")

# Cloud storage
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")
ds = DataStore.uri("https://example.com/data.csv")

# Databases
ds = DataStore.uri("mysql://user:pass@host:3306/db/table")
ds = DataStore.uri("postgresql://user:pass@host:5432/db/table")
```

<div id="uri-syntax">
  ### Référence de la syntaxe des URI
</div>

| Type de source | Format d’URI | Exemple |
| - | - | - |
| Fichier local | `path/to/file` | `data.csv`, `/abs/path/data.parquet` |
| S3 | `s3://bucket/path` | `s3://mybucket/data.parquet?nosign=true` |
| GCS | `gs://bucket/path` | `gs://mybucket/data.csv` |
| Azure | `az://container/path` | `az://mycontainer/data.parquet` |
| HTTP/HTTPS | `https://url` | `https://example.com/data.csv` |
| MySQL | `mysql://user:pass@host:port/db/table` | `mysql://root:pass@localhost:3306/mydb/users` |
| PostgreSQL | `postgresql://user:pass@host:port/db/table` | `postgresql://postgres:pass@localhost:5432/mydb/users` |
| SQLite | `sqlite:///path?table=name` | `sqlite:///data.db?table=users` |
| ClickHouse | `clickhouse://host:port/db/table` | `clickhouse://localhost:9000/default/hits` |

***

<div id="file-sources">
  ## Sources de données de type fichier
</div>

<div id="from-file">
  ### `from_file`
</div>

Créer un DataStore à partir d’un fichier local ou distant, avec détection automatique du format.

```python theme={null}
DataStore.from_file(path, format=None, compression=None, **kwargs)
```

**Paramètres :**

| Paramètre | Type | Par défaut | Description |
| - | - | - | - |
| `path` | str | *obligatoire* | Chemin de fichier (local ou URL) |
| `format` | str | `None` | Format de fichier (détecté automatiquement si None) |
| `compression` | str | `None` | Type de compression (détecté automatiquement si None) |

**Formats pris en charge :** CSV, TSV, Parquet, JSON, JSONLines, ORC, Avro, Arrow

**Exemples :**

```python theme={null}
from chdb.datastore import DataStore

# Auto-detect format from extension
ds = DataStore.from_file("data.csv")
ds = DataStore.from_file("data.parquet")
ds = DataStore.from_file("data.json")

# Explicit format
ds = DataStore.from_file("data.txt", format="CSV")

# With compression
ds = DataStore.from_file("data.csv.gz", compression="gzip")
```

<div id="pandas-read">
  ### Fonctions de lecture compatibles avec Pandas
</div>

```python theme={null}
from chdb import datastore as pd

# CSV files
ds = pd.read_csv("data.csv")
ds = pd.read_csv("data.csv", sep=";", header=0, nrows=1000)

# Parquet files (recommended for large datasets)
ds = pd.read_parquet("data.parquet")
ds = pd.read_parquet("data.parquet", columns=['col1', 'col2'])

# JSON files
ds = pd.read_json("data.json")
ds = pd.read_json("data.jsonl", lines=True)

# Excel files
ds = pd.read_excel("data.xlsx", sheet_name="Sheet1")
```

***

<div id="cloud-storage">
  ## Stockage Cloud
</div>

<div id="from-s3">
  ### `from_s3`
</div>

Créer un DataStore depuis Amazon S3.

```python theme={null}
DataStore.from_s3(url, access_key_id=None, secret_access_key=None, format=None, **kwargs)
```

**Paramètres :**

| Paramètre | Type | Par défaut | Description |
| - | - | - | - |
| `url` | str | *obligatoire* | URL S3 (s3://bucket/path) |
| `access_key_id` | str | `None` | ID de la clé d'accès AWS |
| `secret_access_key` | str | `None` | Clé d'accès secrète AWS |
| `format` | str | `None` | Format de fichier (détecté automatiquement) |

**Exemples :**

```python theme={null}
from chdb.datastore import DataStore

# Anonymous access (public bucket)
ds = DataStore.from_s3("s3://bucket/data.parquet")

# With credentials
ds = DataStore.from_s3(
    "s3://bucket/data.parquet",
    access_key_id="AKIAIOSFODNN7EXAMPLE",
    secret_access_key="wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY"
)

# Using URI with query parameters
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")
ds = DataStore.uri("s3://bucket/data.parquet?access_key_id=KEY&secret_access_key=SECRET")
```

<div id="from-gcs">
  ### `from_gcs`
</div>

Créer un DataStore depuis Google Cloud Storage.

```python theme={null}
DataStore.from_gcs(url, credentials_path=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_gcs("gs://bucket/data.parquet")
ds = DataStore.from_gcs("gs://bucket/data.parquet", credentials_path="/path/to/creds.json")
```

<div id="from-azure">
  ### `from_azure`
</div>

Créer un DataStore depuis Azure Blob Storage.

```python theme={null}
DataStore.from_azure(url, account_name=None, account_key=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_azure(
    "az://container/data.parquet",
    account_name="myaccount",
    account_key="mykey"
)
```

<div id="from-hdfs">
  ### `from_hdfs`
</div>

Créer un DataStore depuis HDFS.

```python theme={null}
DataStore.from_hdfs(url, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_hdfs("hdfs://namenode:8020/path/data.parquet")
```

<div id="from-url">
  ### `from_url`
</div>

Créer un DataStore à partir d’une URL HTTP/HTTPS.

```python theme={null}
DataStore.from_url(url, format=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_url("https://example.com/data.csv")
ds = DataStore.from_url("https://raw.githubusercontent.com/user/repo/main/data.parquet")
```

***

<div id="databases">
  ## Bases de données
</div>

<div id="from-mysql">
  ### `from_mysql`
</div>

Créer un DataStore à partir d’une base de données MySQL.

```python theme={null}
DataStore.from_mysql(host, database, table, user, password, port=3306, **kwargs)
```

**Paramètres :**

| Paramètre | Type | Par défaut | Description |
| - | - | - | - |
| `host` | str | *obligatoire* | Hôte MySQL |
| `database` | str | *obligatoire* | Nom de la base de données |
| `table` | str | *obligatoire* | Nom de la table |
| `user` | str | *obligatoire* | Nom d’utilisateur |
| `password` | str | *obligatoire* | Mot de passe |
| `port` | int | `3306` | Numéro de port |

**Exemples :**

```python theme={null}
ds = DataStore.from_mysql(
    host="localhost",
    database="mydb",
    table="users",
    user="root",
    password="password"
)

# Using URI
ds = DataStore.uri("mysql://root:password@localhost:3306/mydb/users")
```

<div id="from-postgresql">
  ### `from_postgresql`
</div>

Créer un DataStore à partir d’une base de données PostgreSQL.

```python theme={null}
DataStore.from_postgresql(host, database, table, user, password, port=5432, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_postgresql(
    host="localhost",
    database="mydb",
    table="users",
    user="postgres",
    password="password"
)

# Using URI
ds = DataStore.uri("postgresql://postgres:password@localhost:5432/mydb/users")
```

<div id="from-clickhouse">
  ### `from_clickhouse`
</div>

Créer un DataStore à partir du serveur ClickHouse.

```python theme={null}
DataStore.from_clickhouse(host, database, table, user=None, password=None, port=9000, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_clickhouse(
    host="localhost",
    database="default",
    table="hits",
    user="default",
    password=""
)

# Connection-level mode (explore databases)
ds = DataStore.from_clickhouse(
    host="analytics.company.com",
    user="analyst",
    password="secret"
)
ds.databases()                  # List databases
ds.tables("production")         # List tables
result = ds.sql("SELECT * FROM production.users LIMIT 10")
```

<div id="from-mongodb">
  ### `from_mongodb`
</div>

Crée un DataStore à partir de MongoDB.

```python theme={null}
DataStore.from_mongodb(uri, database, collection, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_mongodb(
    uri="mongodb://localhost:27017",
    database="mydb",
    collection="users"
)
```

<div id="from-sqlite">
  ### `from_sqlite`
</div>

Créez un DataStore à partir d’une base de données SQLite.

```python theme={null}
DataStore.from_sqlite(database_path, table, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_sqlite("data.db", table="users")

# Using URI
ds = DataStore.uri("sqlite:///data.db?table=users")
```

***

<div id="data-lakes">
  ## Lacs de données
</div>

<div id="from-iceberg">
  ### `from_iceberg`
</div>

Créer un DataStore à partir d’une table Iceberg Apache.

```python theme={null}
DataStore.from_iceberg(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_iceberg("/path/to/iceberg_table")
ds = DataStore.uri("iceberg://catalog/namespace/table")
```

<div id="from-delta">
  ### `from_delta`
</div>

Créer un DataStore à partir d’une table Delta Lake.

```python theme={null}
DataStore.from_delta(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_delta("/path/to/delta_table")
ds = DataStore.uri("deltalake:///path/to/delta_table")
```

<div id="from-hudi">
  ### `from_hudi`
</div>

Créer un DataStore à partir d’une table Apache Hudi.

```python theme={null}
DataStore.from_hudi(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_hudi("/path/to/hudi_table")
ds = DataStore.uri("hudi:///path/to/hudi_table")
```

***

<div id="in-memory">
  ## Sources en mémoire
</div>

<div id="from-df">
  ### `from_df` / `from_dataframe`
</div>

Créer un DataStore à partir d’un DataFrame pandas.

```python theme={null}
DataStore.from_df(df, name=None)
DataStore.from_dataframe(df, name=None)  # alias
```

**Exemples :**

```python theme={null}
import pandas
from chdb.datastore import DataStore

pdf = pandas.DataFrame({'a': [1, 2, 3], 'b': ['x', 'y', 'z']})
ds = DataStore.from_df(pdf)
```

<div id="dataframe-constructor">
  ### Constructeur `DataFrame`
</div>

Créez un DataStore à l’aide d’un constructeur similaire à ceux de pandas.

```python theme={null}
from chdb import datastore as pd

# From dictionary
ds = pd.DataFrame({
    'name': ['Alice', 'Bob'],
    'age': [25, 30]
})

# From pandas DataFrame
import pandas
pdf = pandas.DataFrame({'a': [1, 2, 3]})
ds = pd.DataFrame(pdf)
```

***

<div id="special-sources">
  ## Sources spéciales
</div>

<div id="from-numbers">
  ### `from_numbers`
</div>

Crée un DataStore avec des nombres séquentiels (utile pour les tests).

```python theme={null}
DataStore.from_numbers(count, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_numbers(1000000)  # 1M rows with 'number' column
result = ds.filter(ds['number'] % 2 == 0).head(10)  # Even numbers
```

<div id="from-random">
  ### `from_random`
</div>

Créez un DataStore à partir de données aléatoires.

```python theme={null}
DataStore.from_random(rows, columns, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_random(rows=1000, columns=5)
```

<div id="run-sql">
  ### `run_sql`
</div>

Créer un DataStore à partir d’une requête Raw SQL.

```python theme={null}
DataStore.run_sql(query)
```

**Exemples :**

```python theme={null}
ds = DataStore.run_sql("""
    SELECT number, number * 2 as doubled
    FROM numbers(100)
    WHERE number % 10 = 0
""")
```

***

<div id="summary">
  ## Tableau récapitulatif
</div>

| Méthode | Type de source | Exemple |
| - | - | - |
| `uri()` | Universel | `DataStore.uri("s3://bucket/data.parquet")` |
| `from_file()` | Fichiers locaux/distants | `DataStore.from_file("data.csv")` |
| `read_csv()` | Fichiers CSV | `pd.read_csv("data.csv")` |
| `read_parquet()` | Fichiers Parquet | `pd.read_parquet("data.parquet")` |
| `from_s3()` | Amazon S3 | `DataStore.from_s3("s3://bucket/path")` |
| `from_gcs()` | Google Cloud Storage | `DataStore.from_gcs("gs://bucket/path")` |
| `from_azure()` | Azure Blob | `DataStore.from_azure("az://container/path")` |
| `from_hdfs()` | HDFS | `DataStore.from_hdfs("hdfs://host/path")` |
| `from_url()` | HTTP/HTTPS | `DataStore.from_url("https://example.com/data.csv")` |
| `from_mysql()` | MySQL | `DataStore.from_mysql(host, db, table, user, pass)` |
| `from_postgresql()` | PostgreSQL | `DataStore.from_postgresql(host, db, table, user, pass)` |
| `from_clickhouse()` | ClickHouse | `DataStore.from_clickhouse(host, db, table)` |
| `from_mongodb()` | MongoDB | `DataStore.from_mongodb(uri, db, collection)` |
| `from_sqlite()` | SQLite | `DataStore.from_sqlite("data.db", table)` |
| `from_iceberg()` | Apache Iceberg | `DataStore.from_iceberg("/path/to/table")` |
| `from_delta()` | Delta Lake | `DataStore.from_delta("/path/to/table")` |
| `from_hudi()` | Apache Hudi | `DataStore.from_hudi("/path/to/table")` |
| `from_df()` | pandas DataFrame | `DataStore.from_df(pandas_df)` |
| `DataFrame()` | Dictionnaire / DataFrame | `pd.DataFrame({'a': [1, 2, 3]})` |
| `from_numbers()` | Nombres séquentiels | `DataStore.from_numbers(1000000)` |
| `from_random()` | Données aléatoires | `DataStore.from_random(rows=1000, columns=5)` |
| `run_sql()` | SQL brut | `DataStore.run_sql("SELECT * FROM ...")` |