在 ClickHouse 中处理 CSV 和 TSV 数据

ClickHouse 支持从 CSV 导入数据，也支持将数据导出为 CSV。由于 CSV 文件的格式细节可能各不相同，包括表头、自定义分隔符和转义符等，ClickHouse 提供了相应的格式与设置，以便高效应对各种情况。

从 CSV 文件导入数据

在导入数据之前，先创建一个具有相应结构的表：

CREATE TABLE sometable
(
    `path` String,
    `month` Date,
    `hits` UInt32
)
ENGINE = MergeTree
ORDER BY tuple(month, path)

要将 CSV 文件中的数据导入 sometable 表，可以直接通过管道将该文件传给 clickhouse-client：

clickhouse-client -q "INSERT INTO sometable FORMAT CSV" < data_small.csv

请注意，我们使用 FORMAT CSV 告诉 ClickHouse 当前正在摄取 CSV 格式的数据。或者，也可以使用 FROM INFILE 子句从本地文件加载数据：

INSERT INTO sometable
FROM INFILE 'data_small.csv'
FORMAT CSV

这里我们使用 FORMAT CSV 子句，让 ClickHouse 能识别文件格式。我们也可以使用 url() 函数直接从 URL 加载数据，或者使用 s3() 函数从 S3 文件加载数据。

对于 file() 和 INFILE/OUTFILE，可以省略显式的格式设置。在这种情况下，ClickHouse 会根据文件扩展名自动识别格式。

带表头的 CSV 文件

假设我们的 CSV 文件带有表头：

head data-small-headers.csv

"path","month","hits"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34

要从该文件导入数据，可以使用 CSVWithNames 格式：

clickhouse-client -q "INSERT INTO sometable FORMAT CSVWithNames" < data_small_headers.csv

在这种情况下，ClickHouse 在从文件导入数据时会跳过第一行。

从 version 23.1 开始，使用 CSV 格式时，ClickHouse 会自动检测 CSV 文件中的表头，因此无需使用 CSVWithNames 或 CSVWithNamesAndTypes。

使用自定义分隔符的 CSV 文件

如果 CSV 文件使用的分隔符不是逗号，可以使用 format_csv_delimiter 选项来设置对应的分隔符：

SET format_csv_delimiter = ';'

现在，从 CSV 文件导入时，将使用 ; 作为分隔符，而不是逗号。

跳过 CSV 文件中的行

有时，在从 CSV 文件导入数据时，我们可能需要跳过前几行。这可以通过使用 input_format_csv_skip_first_lines 选项来实现：

SET input_format_csv_skip_first_lines = 10

在这种情况下，我们将跳过 CSV 文件的前十行：

SELECT count(*) FROM file('data-small.csv', CSV)

┌─count()─┐
│     990 │
└─────────┘

该file有 1k 行，但由于我们要求跳过前 10 行，因此 ClickHouse 只加载了 990 行。

使用 file() 函数时，如果使用的是 ClickHouse Cloud，则需要在文件所在的机器上通过 clickhouse client 运行这些命令。另一种方式是使用 clickhouse-local 在本地查看文件。

在 CSV 文件中处理 NULL 值

NULL 值的编码方式可能因生成该文件的应用程序不同而有所差异。默认情况下，ClickHouse 在 CSV 中使用 \N 表示 NULL 值。不过，我们可以通过 format_csv_null_representation 选项来修改这种表示方式。假设我们有以下 CSV 文件：

> cat nulls.csv
Donald,90
Joe,Nothing
Nothing,70

如果从该文件加载数据，ClickHouse 会将 Nothing 视为 String (这是正确的) ：

SELECT * FROM file('nulls.csv')

┌─c1──────┬─c2──────┐
│ Donald  │ 90      │
│ Joe     │ Nothing │
│ Nothing │ 70      │
└─────────┴─────────┘

如果希望 ClickHouse 将 Nothing 视为 NULL，可以通过以下选项进行设置：

SET format_csv_null_representation = 'Nothing'

现在，NULL 已出现在我们预期的位置：

SELECT * FROM file('nulls.csv')

┌─c1─────┬─c2───┐
│ Donald │ 90   │
│ Joe    │ ᴺᵁᴸᴸ │
│ ᴺᵁᴸᴸ   │ 70   │
└────────┴──────┘

TSV (制表符分隔) 文件

制表符分隔格式广泛用作数据交换格式。要将 TSV 文件中的数据加载到 ClickHouse，请使用 TabSeparated 格式：

clickhouse-client -q "INSERT INTO sometable FORMAT TabSeparated" < data_small.tsv

此外，还有一种 TabSeparatedWithNames 格式，可用于处理带表头的 TSV 文件。此外，与 CSV 类似，我们也可以使用 input_format_tsv_skip_first_lines 选项跳过前 X 行。

原始 TSV

有时，TSV 文件保存时不会对制表符和换行符进行转义。我们应使用 TabSeparatedRaw 来处理这类文件。

导出为 CSV

前面示例中的任何格式也都可以用于导出数据。要将表中的数据 (或查询结果) 导出为 CSV 格式，我们使用相同的 FORMAT 子句：

SELECT *
FROM sometable
LIMIT 5
FORMAT CSV

"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86

要为 CSV 文件添加表头，可使用 CSVWithNames 格式：

SELECT *
FROM sometable
LIMIT 5
FORMAT CSVWithNames

"path","month","hits"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86

将导出数据保存为 CSV 文件

要将导出数据保存到文件中，可以使用 INTO…OUTFILE 子句：

SELECT *
FROM sometable
INTO OUTFILE 'out.csv'
FORMAT CSVWithNames

36838935 rows in set. Elapsed: 1.304 sec. Processed 36.84 million rows, 1.42 GB (28.24 million rows/s., 1.09 GB/s.)

请注意，ClickHouse 仅用 ~1 秒就将 3600 万行数据保存到 CSV 文件中。

使用自定义分隔符导出 CSV

如果要使用逗号以外的分隔符，可以通过 format_csv_delimiter 设置选项来指定：

SET format_csv_delimiter = '|'

现在，ClickHouse 将使用 | 作为 CSV 格式的分隔符：

SELECT *
FROM sometable
LIMIT 5
FORMAT CSV

"Akiba_Hebrew_Academy"|"2017-08-01"|241
"Aegithina_tiphia"|"2018-02-01"|34
"1971-72_Utah_Stars_season"|"2016-10-01"|1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8"|"2015-12-01"|73
"2016_Greater_Western_Sydney_Giants_season"|"2017-05-01"|86

为 Windows 导出 CSV

如果希望 CSV 文件在 Windows 环境中正常使用，建议启用 output_format_csv_crlf_end_of_line 选项。这样会使用 \r\n 作为换行符，而不是 \n：

SET output_format_csv_crlf_end_of_line = 1;

CSV 文件的 schema 推断

在很多情况下，我们会处理结构未知的 CSV 文件，因此需要先确定各列应使用哪些类型。默认情况下，ClickHouse 会根据对给定 CSV 文件的分析尝试推断数据格式。这称为 “Schema Inference”。可以结合 file() 函数，使用 DESCRIBE 语句查看检测到的数据类型：

DESCRIBE file('data-small.csv', CSV)

┌─name─┬─type─────────────┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ c1   │ Nullable(String) │              │                    │         │                  │                │
│ c2   │ Nullable(Date)   │              │                    │         │                  │                │
│ c3   │ Nullable(Int64)  │              │                    │         │                  │                │
└──────┴──────────────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘

这里，ClickHouse 可以高效地自动推断 CSV 文件的列类型。如果不想让 ClickHouse 自动推断，可以通过以下选项将其禁用：

SET input_format_csv_use_best_effort_in_schema_inference = 0

在这种情况下，所有列类型都会被视为 String。

使用显式列类型导出和导入 CSV

ClickHouse 还支持在使用 CSVWithNamesAndTypes (以及其他 *WithNames 格式家族) 导出数据时，显式指定列类型：

SELECT *
FROM sometable
LIMIT 5
FORMAT CSVWithNamesAndTypes

"path","month","hits"
"String","Date","UInt32"
"Akiba_Hebrew_Academy","2017-08-01",241
"Aegithina_tiphia","2018-02-01",34
"1971-72_Utah_Stars_season","2016-10-01",1
"2015_UEFA_European_Under-21_Championship_qualification_Group_8","2015-12-01",73
"2016_Greater_Western_Sydney_Giants_season","2017-05-01",86

这种格式会包含两行表头——一行是列名，另一行是列类型。这样 ClickHouse (以及其他应用) 在从此类文件加载数据时，就能识别列类型：

DESCRIBE file('data_csv_types.csv', CSVWithNamesAndTypes)

┌─name──┬─type───┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ path  │ String │              │                    │         │                  │                │
│ month │ Date   │              │                    │         │                  │                │
│ hits  │ UInt32 │              │                    │         │                  │                │
└───────┴────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘

现在 ClickHouse 不再靠猜测，而是根据 (第二行) 表头来识别列类型。

自定义分隔符、分隔符和转义规则

在较复杂的场景中，文本数据虽然可以采用高度自定义的格式，但仍然具有一定的结构。对于这类情况，ClickHouse 提供了专门的 CustomSeparated 格式，支持自定义转义规则、分隔符、行分隔符以及起始/结束符号。假设文件中有以下数据：

row('Akiba_Hebrew_Academy';'2017-08-01';241),row('Aegithina_tiphia';'2018-02-01';34),...

可以看到，每一行都包裹在 row() 中，行与行之间用 , 分隔，而各个值则用 ; 分隔。在这种情况下，我们可以使用以下设置从该文件中读取数据：

SET format_custom_row_before_delimiter = 'row(';
SET format_custom_row_after_delimiter = ')';
SET format_custom_field_delimiter = ';';
SET format_custom_row_between_delimiter = ',';
SET format_custom_escaping_rule = 'Quoted';

现在我们可以从这个自定义格式的file中加载数据：

SELECT *
FROM file('data_small_custom.txt', CustomSeparated)
LIMIT 3

┌─c1────────────────────────┬─────────c2─┬──c3─┐
│ Akiba_Hebrew_Academy      │ 2017-08-01 │ 241 │
│ Aegithina_tiphia          │ 2018-02-01 │  34 │
│ 1971-72_Utah_Stars_season │ 2016-10-01 │   1 │
└───────────────────────────┴────────────┴─────┘

我们还可以使用 CustomSeparatedWithNames 来正确导出和导入表头。要处理更复杂的情况，还可以了解 regex 和 Template 格式。

处理大型 CSV 文件

CSV 文件可能很大，而 ClickHouse 能高效处理各种大小的文件。大型文件通常是压缩格式，ClickHouse 原生支持这一点，因此处理前无需先解压。我们可以在插入时使用 COMPRESSION 子句：

INSERT INTO sometable
FROM INFILE 'data_csv.csv.gz'
COMPRESSION 'gzip' FORMAT CSV

如果省略 COMPRESSION 子句，ClickHouse 仍会根据文件扩展名尝试推断压缩方式。也可以用同样的方法将文件直接导出为压缩格式：

SELECT *
FROM for_csv
INTO OUTFILE 'data_csv.csv.gz'
COMPRESSION 'gzip' FORMAT CSV

这将创建一个压缩的 data_csv.csv.gz 文件。

其他格式

ClickHouse 支持多种格式，包括文本格式和二进制格式，以适配各种场景和平台。你可以在以下文章中了解更多格式及其使用方式：

另请参阅 clickhouse-local——这是一款便携且功能完备的工具，无需 ClickHouse server 即可处理本地和远程文件。

ClickHouse 指南

用例指南

在 ClickHouse 中处理 CSV 和 TSV 数据

从 CSV 文件导入数据

带表头的 CSV 文件

使用自定义分隔符的 CSV 文件

跳过 CSV 文件中的行

在 CSV 文件中处理 NULL 值

TSV (制表符分隔) 文件

原始 TSV

导出为 CSV

将导出数据保存为 CSV 文件

使用自定义分隔符导出 CSV

为 Windows 导出 CSV

CSV 文件的 schema 推断

使用显式列类型导出和导入 CSV

自定义分隔符、分隔符和转义规则

处理大型 CSV 文件

其他格式

​从 CSV 文件导入数据

​带表头的 CSV 文件

​使用自定义分隔符的 CSV 文件

​跳过 CSV 文件中的行

​在 CSV 文件中处理 NULL 值

​TSV (制表符分隔) 文件

​原始 TSV

​导出为 CSV

​将导出数据保存为 CSV 文件

​使用自定义分隔符导出 CSV

​为 Windows 导出 CSV

​CSV 文件的 schema 推断

​使用显式列类型导出和导入 CSV

​自定义分隔符、分隔符和转义规则

​处理大型 CSV 文件

​其他格式

从 CSV 文件导入数据

带表头的 CSV 文件

使用自定义分隔符的 CSV 文件

跳过 CSV 文件中的行

在 CSV 文件中处理 NULL 值

TSV (制表符分隔) 文件

原始 TSV

导出为 CSV

将导出数据保存为 CSV 文件

使用自定义分隔符导出 CSV

为 Windows 导出 CSV

CSV 文件的 schema 推断

使用显式列类型导出和导入 CSV

自定义分隔符、分隔符和转义规则

处理大型 CSV 文件

其他格式