使用 EXPORT 导出数据
本文介绍如何通过 EXPORT 语句把 StarRocks 集群中指定表或分区上的数据以 CSV 的格式导出到外部存储系统。当前支持导出到分布式文件系统 HDFS 或 AWS S3、阿里云 OSS、腾讯云 COS、华为云 OBS 等云存储系统。
注意
导出操作需要目标表的 EXPORT 权限。如果您的用户账号没有 EXPORT 权限，请参考 GRANT 给用户赋权。
背景信息
在 v2.4 及以前版本，StarRocks 在使用 EXPORT 导出数据时需要借助 Broker 才能访问外部存储系统，称为“有 Broker 的导出”。导出语句中需要通过 WITH BROKER "
自 v2.5 起，StarRocks 在使用 EXPORT 导出数据时不需要借助 Broker 即可访问外部存储系统，称为“无 Broker 的导出”。导出语句中也不再需要指定 broker_name，但继续保留 WITH BROKER 关键字。
需要注意的是，无 Broker 的导出在数据源为 HDFS 的某些场景下会受限，这时您可以继续执行有 Broker 的导出，包括：
在配置了多 HDFS 集群时，您需要为每一个 HDFS 集群部署一个独立的 Broker。
在配置了单 HDFS 集群、但是多 Kerberos 用户时，您只需要部署一个独立的 Broker。
支持的外部存储系统
分布式文件系统 HDFS
云存储系统，包括 AWS S3、阿里云 OSS、腾讯云 COS、华为云 OBS
注意事项
建议不要一次性导出大量数据。一个导出作业建议的导出数据量最大为几十 GB。一次性导出过量数据可能会导致导出失败，重试的成本也会增加。
如果表数据量过大，建议按照分区导出。
在导出作业运行过程中，如果 FE 发生重启或切主，会导致导出作业失败，您需要重新提交导出作业。
导出作业运行完成后（成功或失败），若 FE 发生重启或切主，则 SHOW EXPORT 语句返回的导出作业信息会发生部分丢失，无法查看。
导出作业只会导出原始表 (Base Table) 的数据，不会导出物化视图的数据。
导出作业会扫描数据，占用 I/O 资源，可能会影响系统的查询延迟。
导出流程
提交一个导出作业后，StarRocks 会统计这个作业涉及的所有 Tablet，然后对这些 Tablet 进行分组，每组生成一个特殊的查询计划。该查询计划会读取所包含的 Tablet 上的数据，然后将数据写到远端存储上指定的路径中。
导出作业的总体处理流程如下图所示。
导出作业的总体处理流程主要包括以下三个步骤：
用户提交一个导出作业到 Leader FE。
Leader FE 会先向集群中所有的 BE（或 CN）发送 snapshot 命令，对所有涉及到的 Tablet 做一个快照，以保持导出数据的一致性，并生成多个导出子任务。每个子任务即为一个查询计划，每个查询计划会负责处理一部分 Tablet。
Leader FE 会把一个个导出子任务发送给 BE（或 CN）执行。
基本原理
在执行查询计划的时候，StarRocks 会首先在指定的远端存储上的路径中，建立一个名为 __starrocks_export_tmp_xxx 的临时目录，其中，xxx 为导出作业的查询 ID，例如 __starrocks_export_tmp_921d8f80-7c9d-11eb-9342-acde48001122。每个查询计划执行成功以后，导出的数据都会先写入到这个临时目录下生成的一个临时文件。
当所有数据都导出后，StarRocks 会通过 RENAME 语句把这些文件保存到到指定的路径中。
相关配置
这里主要介绍 FE 上一些跟数据导出有关的参数配置。
export_checker_interval_second：导出作业调度器的调度间隔。默认为 5 秒。设置该参数需重启 FE。
export_running_job_num_limit：正在运行的导出作业数量限制。如果超过这一限制，则作业在执行完 snapshot 后进入等待状态。默认为 5。可以在导出作业运行时调整该参数的取值。
export_task_default_timeout_second：导出作业的超时时间。默认为 2 小时。可以在导出作业运行时调整该参数的取值。
export_max_bytes_per_be_per_task：每个导出子任务在每个 BE 上导出的最大数据量，用于拆分导出作业并行处理。按压缩后数据量计算，默认为 256 MB。
export_task_pool_size：导出子任务线程池的大小，即线程池中允许并行执行的最大子任务数。默认为 5。
基本操作
提交导出作业
可以通过如下命令把 db1 数据库中 tbl1 表在 p1 和 p2 分区上 col1 和 col3 两列的数据导出到 HDFS 存储上的 export 目录中：
EXPORT TABLE db1.tbl1 PARTITION (p1,p2)(col1, col3)TO "hdfs://HDFS_IP:HDFS_Port/export/lineorder_" PROPERTIES( "column_separator"=",", "load_mem_limit"="2147483648", "timeout" = "3600")WITH BROKER( "username" = "user", "password" = "passwd");
有关 EXPORT 语句的详细语法和参数说明、以及导出数据到 AWS S3、阿里云 OSS、腾讯云 COS、华为云 OBS 等云存储系统的命令示例，请参见 EXPORT。
获取导出作业的查询 ID
提交导出作业后，可以通过 SELECT LAST_QUERY_ID() 语句获取导出作业的查询 ID。您可以通过查询到的 ID 查看或者取消导出作业。
有关 SELECT LAST_QUERY_ID() 语句的详细语法和参数说明，请参见 last_query_id。
查看导出作业的状态
提交导出作业后，可以通过 SHOW EXPORT 语句查看导出作业的状态，如下所示：
SHOW EXPORT WHERE queryid = "edee47f0-abe1-11ec-b9d1-00163e1e238f";
说明
上述示例中，queryid 为导出作业的 ID。
系统返回如下导出结果：
JobId: 14008State: FINISHEDProgress: 100%TaskInfo: {"partitions":["*"],"mem limit":2147483648,"column separator":",","line delimiter":"\n","tablet num":1,"broker":"hdfs","coord num":1,"db":"default_cluster:db1","tbl":"tbl3",columns:["col1", "col3"]}Path: oss://bj-test/export/CreateTime: 2019-06-25 17:08:24StartTime: 2019-06-25 17:08:28FinishTime: 2019-06-25 17:08:34Timeout: 3600ErrorMsg: N/A
有关 SHOW EXPORT 语句的详细语法和参数说明，请参见 SHOW EXPORT。
取消导出作业
提交导出作业后，在导出作业执行完成以前，可以通过 CANCEL EXPORT 语句取消导出作业，如下所示：
CANCEL EXPORT WHERE queryid = "921d8f80-7c9d-11eb-9342-acde48001122";
说明
上述示例中，queryid 为导出作业的 ID。
有关 CANCEL EXPORT 语句的详细语法和参数说明，请参见 CANCEL EXPORT。
最佳实践
查询计划的拆分
一个导出作业有多少查询计划需要执行，取决于总共有多少 Tablet、以及一个查询计划可以处理的最大数据量。 导出作业是按照查询计划来重试的。如果一个查询计划处理的数据量超过允许的最大数据量，查询计划出错，比如调用 Broker 的 RPC 失败、远端存储出现抖动等。这会导致该查询计划的重试成本变高。每个查询计划中每个 BE（或 CN）扫描的数据量通过 FE 配置参数 export_max_bytes_per_be_per_task 来设置，默认为 256 MB。每个查询计划中每个 BE（或 CN）最少分配一个 Tablet，导出的最大数据量不超过参数 export_max_bytes_per_be_per_task 的取值。
一个导出作业的多个查询计划并行执行，子任务线程池的大小通过 FE 配置参数 export_task_pool_size 来设置，默认为 5。
通常一个导出作业的查询计划只有“扫描”和“导出”两部分，计算逻辑不会消耗太多内存。所以通常 2 GB 的默认内存限制可以满足需求。但在某些场景下，比如一个查询计划，在同一个 BE（或 CN）上需要扫描的 Tablet 过多、或者 Tablet 的数据版本过多时，可能会导致内存不足。此时需要修改 load_mem_limit 参数，设置更大的内存，比如 4 GB、8 GB 等。