使用Apache SeaTunnel高效集成和管理SftpFile数据源

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！