ソース・ファイル・パーティション化を使用した外部表について

Autonomous Databaseでは、Hiveスタイルのパーティション化されたデータから、またはクラウド・オブジェクト・ストアに格納されている単純なフォルダ・パーティション化されたデータから、パーティション化された外部表を作成できます。

ソース・ファイル・パーティション化を使用して、完全なパーティション指定を指定するかわりに、特定のファイル・パターンのファイル・パスからパーティション化情報を導出します。たとえば、次のデータファイル指定について考えてみます。

  • Hiveスタイル: 例: sales/country=USA/year=2020/month=01/file1.csv

  • 単純なフォルダ・パーティション化スタイル: 例: sales/USA/2020/01/file1.parquet

これらの共通パーティション化形式のいずれかを使用すると、パーティション化された外部表の作成と管理が大幅に簡素化されます。また、データファイルにパーティション列が表示されない場合でも、SQLを使用して問い合せることができます。また、データをパーティション化すると、スキャンされるデータ量が大幅に削減されるため、問合せのパフォーマンスが向上します。この例では、'USA'データを問い合せると、他の国のファイルのスキャンをスキップできます。

クラウド・オブジェクト・ストア内のHive形式のパーティション・データ

Hiveは、ビッグ・データ処理エンジン用の標準メタデータ形式を提供します。Hive形式で生成されるクラウド・オブジェクト・ストアのパーティション・データは、folder/subfolder形式で表されます。たとえば、クラウド・オブジェクト・ストアでは、Hive形式のデータ・ファイルは次のように格納されます。

table/partition1=partition1_value/partition2=partition2_value/data_file.csv

Hiveパーティション形式で保存されたファイルは、データ・ファイル・パス名のパーティション情報を提供します。データファイルのパス名には、パーティション列名およびパーティション列値(データファイルには、パーティション列およびそれらに関連付けられた値は含まれません)など、オブジェクトの内容に関する情報が含まれます。

たとえば、クラウド・オブジェクト・ストアのHiveフォーマット・データから作成された外部パーティション化されたSALES表について考えてみます。

.../sales/country=USA/year=2020/month=01/file1.csv
.../sales/country=USA/year=2020/month=01/file2.csv
.../sales/country=USA/year=2020/month=02/file3.csv
.../sales/country=USA/year=2020/month=03/file1.csv
.../sales/country=FRA/year=2020/month=03/file1.csv

Hive形式のパーティション情報には、クラウド・オブジェクト・ストアのデータファイルがcountryyearおよびmonthでパーティション化されており、これらのパーティション列の値は、各データファイルのHive形式のパス名でも指定されています(パス名には、パーティション化された列の値(countryyearおよびmonth)が含まれます)。

パス内の列名は、表定義を簡略化するためにAPIで使用されます。

クラウド・オブジェクト・ストア内の単純なフォルダ形式のパーティション・データ

フォルダ形式で生成されるクラウド・オブジェクト・ストア内のパーティション・データは、Hive形式のパーティション・データと同様にfolder/subfolder形式で表されますが、パスの情報には列値が表示され、列名は含まれません。また、フォルダ形式のパーティション・データでは、オブジェクト名で指定されたパーティションの順序が重要であり、表の列の順序と一致する必要があります。

たとえば、クラウド・オブジェクト・ストアでは、フォルダ形式のデータ・ファイルは次のように格納されます。

table/partition1_value/partition2_value/*.parquet

パスには、パーティション列値、パーティション列の順序およびデータ・ファイルの両方が含まれます。Autonomous Databaseでは、フォルダ形式データから外部パーティション表を作成でき、指定したパーティションを使用して問合せを実行できます。

フォルダ・パーティション形式で保存されたファイルは、ファイル名にデータ・パーティション列の値を提供します。Hiveとは異なり、パスには列名が含まれないため、列名を指定する必要があります。パーティション列の順序は重要であり、列パーティション名のファイル名の順序はpartition_columnsパラメータの順序と一致する必要があります。

クラウド・オブジェクト・ストア内のパーティション・データの問合せについて

外部パーティション・データをHive形式で問い合せると、問合せエンジンはファイル・パス名のパーティション化情報を理解し、利用します。たとえば、ソース・ファイルであるオブジェクト・ストア上のsales/country=USA/year=2020/month=02/file3.csvに次の売上データが含まれる外部パーティションSALES表があるとします。

tents, 291
canoes, 22
backpacks, 378

パス名のcountry値、およびmonthyearの期間値は、データ・ファイル内の列として指定されません。パーティション列の値は、パス名でのみ指定され、値はUSA、2020および02です。このデータファイルを使用して外部パーティション表を作成した後、外部パーティション表で問合せを実行するときに、パーティション列とその値を使用できます。

たとえば:

SELECT year, month, product, units 
     FROM SALES WHERE year='2020' AND month='02' AND country='USA'

Hive形式のパーティション・データとして生成されたデータを使用して外部パーティション表を作成する利点は、問合せエンジンが、正しいパーティションを選択するためにデータをパーティション・プルーニングするように最適化されており、問合せでは1つのパーティションからのみデータが選択されるため、単一のデータ・ファイルのみを検索する必要があることです。したがって、問合せでは、file3.csvファイル(/sales/country=USA/year=2020/month=02/file3.csv)のスキャンのみが必要になります。大量のデータでは、このようなパーティション・プルーニングによってパフォーマンスが大幅に向上します。

標準のOracle Database外部表を使用して、パーティション列を問合せまたはパーティション定義に使用するには、データ・ファイル内の列として使用できる必要があります。Autonomous Databaseの外部パーティション表で使用可能な特別な処理がない場合、データ・ファイルにパーティションを列として含めるためにデータ・ファイルを再生成する必要があるため、クラウド・オブジェクト・ストアでHive形式で格納されたデータを使用する場合は、これは問題になります。

パーティション化された外部表の作成について

クラウド・オブジェクト・ストアでHive形式で格納された非構造化データを使用し、外部パーティション表を作成する場合、列とその型はソース・ファイルから導出できません。したがって、列とそのデータ型は、column_listパラメータで指定する必要があります。パーティション化された外部表を作成するには、プロシージャDBMS_CLOUD.CREATE_EXTERNAL_PART_TABLEを使用して、パーティション列とその型を次のように指定します。

  • ファイル・リストのルートは、file_uri_listパラメータを使用してパス名で指定されます。たとえば、http://.../sales/*です

  • 列名およびデータ型は、column_listパラメータで指定します。

  • formatパラメータのオプションpartition_columnsは、パーティション列を指定します。

  • 生成されたDLLには、パス名で指定された列が含まれます。

この例では、外部表が作成されると、column_listパラメータにcountryyearおよびmonth列が追加されます。外部表は、データファイルにないcountryyearおよびmonth列を使用して作成され、パーティション・プルーニングを可能にするリスト・パーティションが作成されます。

クラウド・オブジェクト・ストアでフォルダ形式で格納されたParquet、Avro、ORCファイルなどの構造化データを使用する場合、列とそのデータ型がわかります。非構造化データで必要な列リストを指定する必要はありません。パーティション化された外部表を作成するには、プロシージャDBMS_CLOUD.CREATE_EXTERNAL_PART_TABLEを使用して、パーティション列とその型を次のように指定します。

  • ファイル・リストのルートは、file_uri_listパラメータを使用してパス名で指定されます。たとえば、http://.../sales/*です
  • 構造化ファイルには、column_listパラメータは必要ありません。列リストを指定しない場合は、外部パーティション表の作成時に、パーティション列とそのデータ型を定義する必要があります。formatパラメータのオプションpartition_columnsを使用して、パーティション列とそのデータ型を指定します。
  • 生成されたDLLには、パス名で指定された列が含まれます。

完全な例は、Hive形式のソース・ファイル編成を使用した外部パーティション・データの問合せおよびフォルダ形式のソース・ファイル編成を使用した外部パーティション・データの問合せを参照してください。

外部パーティション化: Hiveスタイルのフォルダを含むCSVソース・ファイル

Hiveスタイルのフォルダのクラウド・オブジェクト・ストアに格納されているCSVソース・ファイルを含む外部パーティション表を作成する方法を示します。

ソース・ファイル・リスト:

.../sales/country=USA/year=2020/month=01/file1.csv
.../sales/country=USA/year=2020/month=01/file2.csv
.../sales/country=USA/year=2020/month=02/file3.csv
.../sales/country=USA/year=2020/month=03/file1.csv
.../sales/country=FRA/year=2020/month=03/file1.csv

API:

DBMS_CLOUD.CREATE_EXTERNAL_PART_TABLE (
   table_name        => 'mysales',
   credential_name   => 'mycredential', 
   file_uri_list     => 'https://objectstorage.us-phoenix-1.oraclecloud.com/.../sales/*.csv', 
   column_list       => 'product varchar2(100), units number, country varchar2(100), year number, month varchar2(2)', 
   field_list        => 'product, units', --[Because country, year and month are not in the file, they are not listed in the field list]
   format            => '{"type":"csv","partition_columns":["country", "year", "month"]}');
ノート

formatパラメータのpartition_columnsは、パスにある列名と一致する必要があります(たとえば、country列は"country=…"と一致します)。

外部パーティション化: 単純なフォルダを含むCSVソース・ファイル

クラウド・オブジェクト・ストアに格納されているCSVソース・ファイルを使用して、単純なフォルダ形式で外部パーティション表を作成する方法を示します。

ソース・ファイル・リスト:

.../sales/USA/2020/01/file1.csv
.../sales/USA/2020/01/file2.csv
.../sales/USA/2020/02/file3.csv
.../sales/USA/2020/03/file1.csv
.../sales/FRA/2020/03/file1.csv

API:

DBMS_CLOUD.CREATE_EXTERNAL_PART_TABLE(
   table_name        => 'mysales',
   credential_name   => 'mycredential', 
   file_uri_list     =>  'https://objectstorage.us-phoenix-1.oraclecloud.com/.../sales/*.csv', 
   column_list       => 'product varchar2(100), units number, country varchar2(100), year number, month varchar2(2)', 
   field_list        => 'product, units', --[Because country, year and month are not in the file, they are not listed in the field list]
   format            => '{"type":"csv","partition_columns":["country", "year", "month"]}');
ノート

APIコールは前の例と同じですが、列名がファイル・パスにないため、formatパラメータでのpartition_columnsの順序は重要です。

外部パーティション化: Hiveスタイルのフォルダを含むParquetソース・ファイル

Hive形式のフォルダのクラウド・オブジェクト・ストアに格納されているParquetソース・ファイルを使用して、外部パーティション表を作成する方法を示します。

ソース・ファイル・リスト:

.../sales/USA/2020/01/file1.parquet
.../sales/USA/2020/01/file2.parquet
.../sales/USA/2020/02/file3.parquet
.../sales/USA/2020/03/file1.parquet
.../sales/FRA/2020/03/file1.parquet

API:

DBMS_CLOUD.CREATE_EXTERNAL_PART_TABLE (
   table_name            => 'mysales',
     credential_name     => 'mycredential', 
     file_uri_list       => 'https://objectstorage.us-phoenix-1.oraclecloud.com/.../sales/*.parquet',
     format              => 
         json_object(    'type' value 'parquet', 
               'schema' value 'first',
               'partition_columns' value 
                  json_array(
                      json_object('name' value 'country', 'type' value 'varchar2(100)'),
                      json_object('name' value 'year', 'type' value 'number'),
                      json_object('name' value 'month', 'type' value 'varchar2(2)')
            )
        )

);
ノート

column_listパラメータが指定されていません。図に示すように、パーティション列ごとに、formatパラメータpartition_columnsに名前とデータ型の両方を指定します。

外部パーティション化: 単純なフォルダを使用したParquet

クラウド・オブジェクト・ストアに格納されているParquetソース・ファイルを使用して、単純なフォルダ形式で外部パーティション表を作成する方法を示します。

ソース・ファイル・リスト:

.../sales/USA/2020/01/file1.parquet
.../sales/USA/2020/01/file2.parquet
.../sales/USA/2020/02/file3.parquet
.../sales/USA/2020/03/file1.parquet
.../sales/FRA/2020/03/file1.parquet

API:

DBMS_CLOUD.CREATE_EXTERNAL_PART_TABLE (
   table_name        => 'mysales',
   credential_name   => 'mycredential', 
   file_uri_list     => 'https://objectstorage.us-phoenix-1.oraclecloud.com/.../sales/*.parquet', 
   format            => 
     json_object(    'type' value 'parquet', 
                'schema' value 'first',
         'partition_columns' value 
           json_array(
              json_object('name' value 'country', 'type' value 'varchar2(100)'),
              json_object('name' value 'year', 'type' value 'number'),
              json_object('name' value 'month', 'type' value 'varchar2(2)')
            )
        )

);
ノート

column_listパラメータが指定されていません。パーティション列の名前とデータ型の両方を含める必要があります。また、format句のpartition_columnsの順序は、列名がファイル・パスにないため重要です。