Перейти к основному содержимому
Перейти к основному содержимому

Обработка других форматов JSON

Ранее приведенные примеры загрузки данных JSON предполагают использование JSONEachRow (NDJSON). Этот формат читает ключи в каждой строке JSON как колонки. Например:

SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/pypi/json/*.json.gz', JSONEachRow)
LIMIT 5

┌───────date─┬─country_code─┬─project────────────┬─type────────┬─installer────┬─python_minor─┬─system─┬─version─┐
│ 2022-11-15 │ CN           │ clickhouse-connect │ bdist_wheel │ bandersnatch │              │        │ 0.2.8   │
│ 2022-11-15 │ CN           │ clickhouse-connect │ bdist_wheel │ bandersnatch │              │        │ 0.2.8   │
│ 2022-11-15 │ CN           │ clickhouse-connect │ bdist_wheel │ bandersnatch │              │        │ 0.2.8   │
│ 2022-11-15 │ CN           │ clickhouse-connect │ bdist_wheel │ bandersnatch │              │        │ 0.2.8   │
│ 2022-11-15 │ CN           │ clickhouse-connect │ bdist_wheel │ bandersnatch │              │        │ 0.2.8   │
└────────────┴──────────────┴────────────────────┴─────────────┴──────────────┴──────────────┴────────┴─────────┘

5 rows in set. Elapsed: 0.449 sec.

Хотя это обычно наиболее часто используемый формат для JSON, пользователи могут столкнуться с другими форматами или понадобится прочитать JSON как один объект.

Мы предоставляем примеры чтения и загрузки JSON в других распространенных форматах ниже.

Чтение JSON как объекта​

Наши предыдущие примеры показывают, как JSONEachRow читает JSON, разделенный по строкам, где каждая строка читается как отдельный объект, сопоставленный строке таблицы, а каждый ключ – колонке. Это идеально подходит для случаев, когда структура JSON предсказуема с одиночными типами для каждой колонки.

В отличие от этого, JSONAsObject трактует каждую строку как один JSON объект и сохраняет его в одной колонке типа JSON, что делает его более подходящим для вложенных JSON-пейлоадов и случаев, когда ключи динамичны и могут иметь более одного типа.

Используйте JSONEachRow для вставок построчно, а JSONAsObject при хранении гибких или динамичных данных JSON.

Сравните приведенный выше пример с следующим запросом, который читает те же данные как JSON объект на каждую строку:

SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/pypi/json/*.json.gz', JSONAsObject)
LIMIT 5

┌─json─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

5 rows in set. Elapsed: 0.338 sec.

Формат JSONAsObject также может быть полезен для вставки строк в таблицу с использованием одной колонки типа JSON, например.

CREATE TABLE pypi
(
    `json` JSON
)
ENGINE = MergeTree
ORDER BY tuple();

INSERT INTO pypi SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/pypi/json/*.json.gz', JSONAsObject)
LIMIT 5;

SELECT *
FROM pypi
LIMIT 2;

┌─json─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
│ {"country_code":"CN","date":"2022-11-15","installer":"bandersnatch","project":"clickhouse-connect","python_minor":"","system":"","type":"bdist_wheel","version":"0.2.8"} │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

2 rows in set. Elapsed: 0.003 sec.

Формат JSONAsObject может также быть полезен для чтения JSON, разделенного по строкам, в случаях, когда структура объектов непоследовательна. Например, если ключ изменяется по типу в разных строках (он может иногда быть строкой, но в других случаях объектом). В таких случаях ClickHouse не может вывести стабильную схему с помощью JSONEachRow, и JSONAsObject позволяет загружать данные без строгого контроля типов, сохраняя каждую строку JSON целиком в одной колонке. Например, обратите внимание, как JSONEachRow выдаёт ошибку на следующем примере:

SELECT count()
FROM s3('https://clickhouse-public-datasets.s3.amazonaws.com/bluesky/file_0001.json.gz', 'JSONEachRow')

Elapsed: 1.198 sec.

Received exception from server (version 24.12.1):
Code: 636. DB::Exception: Received from sql-clickhouse.clickhouse.com:9440. DB::Exception: Структура таблицы не может быть извлечена из файла формата JSONEachRow. Ошибка:
Code: 117. DB::Exception: JSON объекты имеют неоднозначные данные: в некоторых объектах путь 'record.subject' имеет тип 'String', а в некоторых - 'Tuple(`$type` String, cid String, uri String)'. Вы можете включить настройку input_format_json_use_string_type_for_ambiguous_paths_in_named_tuples_inference_from_objects, чтобы использовать строковый тип для пути 'record.subject'. (INCORRECT_DATA) (version 24.12.1.18239 (official build))
Чтобы увеличить максимальное число строк/байтов для чтения для определения структуры, используйте настройку input_format_max_rows_to_read_for_schema_inference/input_format_max_bytes_to_read_for_schema_inference.
Вы можете прописать структуру вручную: (в файле/uri bluesky/file_0001.json.gz). (CANNOT_EXTRACT_TABLE_STRUCTURE)

Напротив, JSONAsObject может быть использован в этом случае, поскольку тип JSON поддерживает несколько типов для одного и того же подстолбца.

SELECT count()
FROM s3('https://clickhouse-public-datasets.s3.amazonaws.com/bluesky/file_0001.json.gz', 'JSONAsObject')

┌─count()─┐
│ 1000000 │
└─────────┘

1 row in set. Elapsed: 0.480 sec. Processed 1.00 million rows, 256.00 B (2.08 million rows/s., 533.76 B/s.)

Массив JSON объектов​

Одна из самых популярных форм данных JSON - это наличие списка JSON объектов в массиве JSON, например, в этом примере:

> cat list.json
[
  {
    "path": "Akiba_Hebrew_Academy",
    "month": "2017-08-01",
    "hits": 241
  },
  {
    "path": "Aegithina_tiphia",
    "month": "2018-02-01",
    "hits": 34
  },
  ...
]

Давайте создадим таблицу для этого типа данных:

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

Чтобы импортировать список JSON объектов, мы можем использовать формат JSONEachRow (вставляя данные из файла list.json):

INSERT INTO sometable
FROM INFILE 'list.json'
FORMAT JSONEachRow

Мы использовали конструкцию FROM INFILE для загрузки данных из локального файла, и можем увидеть, что импорт прошел успешно:

SELECT *
FROM sometable

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

Ключи объектов JSON​

В некоторых случаях список JSON объектов может быть закодирован как свойства объектов вместо элементов массива (см. objects.json для примера):

cat objects.json

{
  "a": {
    "path":"April_25,_2017",
    "month":"2018-01-01",
    "hits":2
  },
  "b": {
    "path":"Akahori_Station",
    "month":"2016-06-01",
    "hits":11
  },
  ...
}

ClickHouse может загружать данные из такого типа данных, используя формат JSONObjectEachRow:

INSERT INTO sometable FROM INFILE 'objects.json' FORMAT JSONObjectEachRow;
SELECT * FROM sometable;

┌─path────────────┬──────month─┬─hits─┐
│ Abducens_palsy  │ 2016-05-01 │   28 │
│ Akahori_Station │ 2016-06-01 │   11 │
│ April_25,_2017  │ 2018-01-01 │    2 │
└─────────────────┴────────────┴──────┘

Указание значений ключей родительского объекта​

Предположим, что мы также хотим сохранить значения в ключах родительских объектов в таблице. В этом случае мы можем использовать следующую опцию, чтобы определить имя колонки, в которую мы хотим сохранить значения ключей:

SET format_json_object_each_row_column_for_object_name = 'id'

Теперь мы можем проверить, какие данные будут загружены из оригинального JSON файла, используя функцию file():

SELECT * FROM file('objects.json', JSONObjectEachRow)

┌─id─┬─path────────────┬──────month─┬─hits─┐
│ a  │ April_25,_2017  │ 2018-01-01 │    2 │
│ b  │ Akahori_Station │ 2016-06-01 │   11 │
│ c  │ Abducens_palsy  │ 2016-05-01 │   28 │
└────┴─────────────────┴────────────┴──────┘

Обратите внимание, как колонка id была правильно заполнена значениями ключей.

JSON Массивы​

Иногда, ради экономии места, JSON файлы закодированы в массивах вместо объектов. В этом случае мы сталкиваемся со списком JSON массивов:

cat arrays.json

["Akiba_Hebrew_Academy", "2017-08-01", 241],
["Aegithina_tiphia", "2018-02-01", 34],
["1971-72_Utah_Stars_season", "2016-10-01", 1]

В этом случае ClickHouse загрузит эти данные и назначит каждое значение соответствующей колонке на основе его порядка в массиве. Мы используем формат JSONCompactEachRow для этого:

SELECT * FROM sometable

┌─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 │
└───────────────────────────┴────────────┴─────┘

Импорт отдельных колонок из JSON массивов​

В некоторых случаях данные могут быть закодированы построчно вместо столбцово. В этом случае родительский JSON объект содержит колонки со значениями. Обратите внимание на следующий файл:

cat columns.json

{
  "path": ["2007_Copa_America", "Car_dealerships_in_the_USA", "Dihydromyricetin_reductase"],
  "month": ["2016-07-01", "2015-07-01", "2015-07-01"],
  "hits": [178, 11, 1]
}

ClickHouse использует формат JSONColumns для парсинга данных, отформатированных таким образом:

SELECT * FROM file('columns.json', JSONColumns)

┌─path───────────────────────┬──────month─┬─hits─┐
│ 2007_Copa_America          │ 2016-07-01 │  178 │
│ Car_dealerships_in_the_USA │ 2015-07-01 │   11 │
│ Dihydromyricetin_reductase │ 2015-07-01 │    1 │
└────────────────────────────┴────────────┴──────┘

Также поддерживается более компактный формат, когда мы имеем дело с массивом колонок вместо объекта с помощью формата JSONCompactColumns:

SELECT * FROM file('columns-array.json', JSONCompactColumns)

┌─c1──────────────┬─────────c2─┬─c3─┐
│ Heidenrod       │ 2017-01-01 │ 10 │
│ Arthur_Henrique │ 2016-11-01 │ 12 │
│ Alan_Ebnother   │ 2015-11-01 │ 66 │
└─────────────────┴────────────┴────┘

Сохранение JSON объектов вместо их парсинга​

В некоторых случаях вы можете захотеть сохранить JSON объекты в одном столбце String (или JSON) вместо их парсинга. Это может быть полезно при работе с списком JSON объектов разных структур. Взгляните на этот файл например, на котором у нас есть несколько разных JSON объектов внутри родительского списка:

cat custom.json

[
  {"name": "Joe", "age": 99, "type": "person"},
  {"url": "/my.post.MD", "hits": 1263, "type": "post"},
  {"message": "Warning on disk usage", "type": "log"}
]

Мы хотим сохранить оригинальные JSON объекты в следующую таблицу:

CREATE TABLE events
(
    `data` String
)
ENGINE = MergeTree
ORDER BY ()

Теперь мы можем загрузить данные из файла в эту таблицу, используя формат JSONAsString, чтобы сохранить JSON объекты вместо их парсинга:

INSERT INTO events (data)
FROM INFILE 'custom.json'
FORMAT JSONAsString

И мы можем использовать функции JSON для запроса сохраненных объектов:

SELECT
    JSONExtractString(data, 'type') AS type,
    data
FROM events

┌─type───┬─data─────────────────────────────────────────────────┐
│ person │ {"name": "Joe", "age": 99, "type": "person"}         │
│ post   │ {"url": "/my.post.MD", "hits": 1263, "type": "post"} │
│ log    │ {"message": "Warning on disk usage", "type": "log"}  │
└────────┴──────────────────────────────────────────────────────┘

Обратите внимание, что JSONAsString прекрасно работает в случаях, когда у нас есть файлы с форматированием JSON объект на строку (обычно используемые с форматом JSONEachRow).

Схема для вложенных объектов​

В случаях, когда мы имеем дело с вложенными JSON объектами, мы можем дополнительно определить явную схему и использовать сложные типы (Array, Object Data Type или Tuple), чтобы загружать данные:

SELECT *
FROM file('list-nested.json', JSONEachRow, 'page Tuple(path String, title String, owner_id UInt16), month Date, hits UInt32')
LIMIT 1

┌─page───────────────────────────────────────────────┬──────month─┬─hits─┐
│ ('Akiba_Hebrew_Academy','Akiba Hebrew Academy',12) │ 2017-08-01 │  241 │
└────────────────────────────────────────────────────┴────────────┴──────┘

Доступ к вложенным JSON объектам​

Мы можем ссылаться на вложенные ключи JSON, включив следующую настройку:

SET input_format_import_nested_json = 1

Это позволяет нам ссылаться на ключи вложенных JSON объектов, используя нотацию с точками (не забудьте обернуть их символами обратной кавычки для работы):

SELECT *
FROM file('list-nested.json', JSONEachRow, '`page.owner_id` UInt32, `page.title` String, month Date, hits UInt32')
LIMIT 1

┌─page.owner_id─┬─page.title───────────┬──────month─┬─hits─┐
│            12 │ Akiba Hebrew Academy │ 2017-08-01 │  241 │
└───────────────┴──────────────────────┴────────────┴──────┘

Таким образом, мы можем развертывать вложенные JSON объекты или использовать некоторые вложенные значения, чтобы сохранить их как отдельные колонки.

Пропуск неизвестных колонок​

По умолчанию ClickHouse будет игнорировать неизвестные колонки при импорте данных JSON. Давайте попробуем импортировать оригинальный файл в таблицу без колонки month:

CREATE TABLE shorttable
(
    `path` String,
    `hits` UInt32
)
ENGINE = MergeTree
ORDER BY path

Мы все еще можем вставить оригинальные данные JSON с 3 колонками в эту таблицу:

INSERT INTO shorttable FROM INFILE 'list.json' FORMAT JSONEachRow;
SELECT * FROM shorttable

┌─path──────────────────────┬─hits─┐
│ 1971-72_Utah_Stars_season │    1 │
│ Aegithina_tiphia          │   34 │
│ Akiba_Hebrew_Academy      │  241 │
└───────────────────────────┴──────┘

ClickHouse будет игнорировать неизвестные колонки при импорте. Это можно отключить с помощью настройки input_format_skip_unknown_fields:

SET input_format_skip_unknown_fields = 0;
INSERT INTO shorttable FROM INFILE 'list.json' FORMAT JSONEachRow;

Ok.
Exception on client:
Code: 117. DB::Exception: Неизвестное поле обнаружено во время разбора формата JSONEachRow: month: (в файле/uri /data/clickhouse/user_files/list.json): (в строке 1)

ClickHouse выдаст исключения в случаях несоответствия структуры JSON и структуры таблицы.

BSON​

ClickHouse позволяет экспортировать и импортировать данные из закодированных файлов BSON. Этот формат используется некоторыми СУБД, например, базой данных MongoDB.

Чтобы импортировать данные BSON, мы используем формат BSONEachRow. Давайте импортируем данные из этого BSON файла:

SELECT * FROM file('data.bson', BSONEachRow)

┌─path──────────────────────┬─month─┬─hits─┐
│ Bob_Dolman                │ 17106 │  245 │
│ 1-krona                   │ 17167 │    4 │
│ Ahmadabad-e_Kalij-e_Sofla │ 17167 │    3 │
└───────────────────────────┴───────┴──────┘

Мы также можем экспортировать в файлы BSON, используя тот же формат:

SELECT *
FROM sometable
INTO OUTFILE 'out.bson'
FORMAT BSONEachRow

После этого мы получим наши данные экспортированными в файл out.bson.