本文为Apache SeaTunnel已经支持的SftpFile Source Connector使用文档，旨在帮助读者理解如何高效地使用SFTP文件源连接器，以便轻松地使用Apache SeaTunnel集成和管理您的SftpFil数据源。
SftpFile 是指通过 SFTP（Secure File Transfer Protocol）协议进行文件操作的对象或组件。在网络编程和数据集成中，SFTPFile 通常用来表示和操作存储在远程 SFTP 服务器上的文件。SFTP 是一种安全的文件传输协议，基于 SSH（Secure Shell）协议，提供了加密的文件传输和远程文件操作功能。
支持的引擎
Spark
Flink
SeaTunnel Zeta
主要特性
- 批处理
- 列投影
- 并行处理
- 文件格式类型
- 文本
- CSV
- JSON
- Excel
描述
从 SFTP 文件服务器读取数据。
支持的数据源信息
使用 SftpFile 连接器，需要以下依赖项。可以通过 install-plugin.sh 下载，也可以从 Maven 中央仓库获取。
| 数据源 | 支持的版本 | 依赖项 |
|---|---|---|
| SftpFile | 通用 | 下载 |
- 提示
如果你使用的是 Spark/Flink，请确保 Spark/Flink 集群已经集成了 Hadoop。Hadoop 2.x 版本已通过测试。
如果使用 SeaTunnel 引擎，安装 SeaTunnel 引擎时会自动集成 Hadoop JAR 包。可以在 ${SEATUNNEL_HOME}/lib 目录下检查这个 JAR 包是否存在。
为了支持更多的文件类型，我们做了一些妥协，所以在内部访问 Sftp 时我们使用了 HDFS 协议，这个连接器需要一些 Hadoop 依赖项，且仅支持 Hadoop 版2.9.X+ 版本。
数据类型映射
文件没有特定的类型列表，我们可以通过在配置中指定模式来指示要将哪个 SeaTunnel 数据类型转换为相应的数据。
| SeaTunnel 数据类型 |
|---|
| STRING |
| SHORT |
| INT |
| BIGINT |
| BOOLEAN |
| DOUBLE |
| DECIMAL |
| FLOAT |
| DATE |
| TIME |
| TIMESTAMP |
| BYTES |
| ARRAY |
| MAP |
Source选项
| 名称 | 类型 | 必填 | 默认值 | 描述 |
|---|---|---|---|---|
| host | 字符串 | 是 | – | 目标 SFTP 主机地址 |
| port | 整数 | 是 | – | 目标 SFTP 端口号 |
| user | 字符串 | 是 | – | 目标 SFTP 用户名 |
| password | 字符串 | 是 | – | 目标 SFTP 密码 |
| path | 字符串 | 是 | – | 源文件路径 |
| file_format_type | 字符串 | 是 | – | 请查看下文的 #file_format_type |
| file_filter_pattern | 字符串 | 否 | – | 用于文件过滤的过滤器模式。 |
| delimiter | 字符串 | 否 | \001 | 字段分隔符，用于告诉连接器如何在读取文本文件时切割字段。默认 \001，与 Hive 的默认分隔符相同。 |
| parse_partition_from_path | 布尔型 | 否 | true | 控制是否从文件路径中解析分区键和值。 例如，如果从路径中读取文件 oss://hadoop-cluster/tmp/seatunnel/parquet/name=tyrantlucifer/age=26那么文件中的每条记录将添加这两个字段： name age tyrantlucifer 26 提示：不要在模式选项中定义分区字段。 |
| date_format | 字符串 | 否 | yyyy-MM-dd | 日期类型的格式，用于告诉连接器如何将字符串转换为日期，支持以下格式：yyyy-MM-dd yyyy.MM.dd yyyy/MM/dd，默认 yyyy-MM-dd。 |
| datetime_format | 字符串 | 否 | yyyy-MM-dd HH:mm:ss | 日期时间类型的格式，用于告诉连接器如何将字符串转换为日期时间，支持以下格式：yyyy-MM-dd HH:mm:ss yyyy.MM.dd HH:mm:ss yyyy/MM/dd HH:mm:ss yyyyMMddHHmmss，默认 yyyy-MM-dd HH:mm:ss。 |
| time_format | 字符串 | 否 | HH:mm:ss | 时间类型的格式，用于告诉连接器如何将字符串转换为时间，支持以下格式：HH:mm:ss HH:mm:ss.SSS，默认 HH:mm:ss。 |
| skip_header_row_number | 长整型 | 否 | 0 | 跳过前几行，仅对 txt 和 csv 文件有效。 例如，设置如下： skip_header_row_number = 2那么 SeaTunnel 将跳过源文件的前两行。 |
| sheet_name | 字符串 | 否 | – | 读取工作簿的工作表名称，仅在文件格式为 Excel 时使用。 |
| schema | 配置项 | 否 | – | 请查看下文的 #schema |
| 通用选项 | 否 | – | Source 插件通用参数，请参考 Source通用选项 获取详细信息。 |
file_format_type [字符串]
支持以下文件类型：
text csv parquet orc json excel
如果将文件类型指定为 json，需要配置 Schema 模式选项，向连接器说明如何解析数据为你需要所需的 Row。
例如：上游数据如下：
{"code": 200, "data": "get success", "success": true}
也可以将多个数据保存在一个文件中，并通过换行符进行分隔：
{"code": 200, "data": "get success", "success": true}
{"code": 300, "data": "get failed", "success": false}
需要按照以下方式配置 Schema：
schema {
fields {
code = int
data = string
success = boolean
}
}
连接器将生成以下数据：
| code | data | success |
|---|---|---|
| 200 | 获取成功 | true |
如果将文件类型指定为 parquet 或 orc，则无需指定模式选项，连接器可以自动查找上游数据的模式。 |
||
如果将文件类型指定为 text 或 csv，则可以选择是否指定模式信息或不指定。 |
例如，上游数据如下：
tyrantlucifer#26#male
如果不配置 Schema，Connector 将这样处理上游数据：
如果分配数据模式，则除了 CSV 文件类型外，还应分配选项 delimiter。
| 内容 |
|---|
| tyrantlucifer#26#male |
| 如果配置了数据 Schema，除了CSV文件类型，还需要配置选项分隔符。 |
需要配置 Schema 和分隔符如下：
delimiter = "#"
schema {
fields {
name = string
age = int
gender = string
}
}
连接器将生成以下数据：
| 姓名 | 年龄 | 性别 |
|---|---|---|
| tyrantlucifer | 26 | 男 |
Schema [配置项]
fields [配置项]
上游数据的 Schema。
如何创建 Sftp 数据同步任务
以下示例演示了如何创建一个数据同步任务，从 Sftp 读取数据并在本地客户端上打印出来：
# 设置要执行的任务的基本配置
env {
execution.parallelism = 1
job.mode = "BATCH"
}
# 创建连接到 Sftp 的源
source {
SftpFile {
host = "sftp"
port = 22
user = seatunnel
password = pass
path = "tmp/seatunnel/read/json"
file_format_type = "json"
result_table_name = "sftp"
schema = {
fields {
c_map = "map<string, string>"
c_array = "array<int>"
c_string = string
c_boolean = boolean
c_tinyint = tinyint
c_smallint = smallint
c_int = int
c_bigint = bigint
c_float = float
c_double = double
c_bytes = bytes
c_date = date
c_decimal = "decimal(38, 18)"
c_timestamp = timestamp
c_row = {
C_MAP = "map<string, string>"
C_ARRAY = "array<int>"
C_STRING = string
C_BOOLEAN = boolean
C_TINYINT = tinyint
C_SMALLINT = smallint
C_INT = int
C_BIGINT = bigint
C_FLOAT = float
C_DOUBLE = double
C_BYTES = bytes
C_DATE = date
C_DECIMAL = "decimal(38, 18)"
C_TIMESTAMP = timestamp
}
}
}
}
}
# 控制台打印读取的 Sftp 数据
sink {
Console {
parallelism = 1
}
}
本文由 白鲸开源 提供发布支持！
没有回复内容