[go: up one dir, main page]
メインコンテンツまでスキップ
メインコンテンツまでスキップ

Executable と ExecutablePool テーブルエンジン

Executable と ExecutablePool テーブルエンジンを使用すると、定義したスクリプトから生成された行を持つテーブルを定義できます (スクリプトが stdout に行を書き込みます)。実行可能なスクリプトは users_scripts ディレクトリに保存され、任意のソースからデータを読み取ることができます。

  • Executable テーブル: スクリプトはすべてのクエリで実行されます
  • ExecutablePool テーブル: 永続プロセスのプールを維持し、プールからプロセスを取得して読み込みます

オプションで、スクリプトが読み取るために結果を stdin にストリーミングする1つ以上の入力クエリを含めることができます。

Executable テーブルの作成​

Executable テーブルエンジンは、スクリプトの名前と受信データのフォーマットの2つのパラメータを必要とします。オプションで、1つ以上の入力クエリを渡すことができます。

Executable(script_name, format, [input_query...])

Executable テーブルの関連設定は次のとおりです。

  • send_chunk_header
    • 説明: チャンクを処理する前に、各チャンクの行数を送信します。この設定は、いくつかのリソースを前もって割り当てるためにスクリプトを書くのに役立ちます。
    • デフォルト値: false
  • command_termination_timeout
    • 説明: コマンド停止のタイムアウト（秒）
    • デフォルト値: 10
  • command_read_timeout
    • 説明: コマンドの stdout からデータを読み取るためのタイムアウト（ミリ秒）
    • デフォルト値: 10000
  • command_write_timeout
    • 説明: コマンドの stdin にデータを書き込むためのタイムアウト（ミリ秒）
    • デフォルト値: 10000

例を見てみましょう。次の Python スクリプトは my_script.py という名前で、user_scripts フォルダーに保存されます。このスクリプトは、数値 i を読み込み、i 個のランダムな文字列を出力し、各文字列の前にタブで区切られた数値を付加します。

#!/usr/bin/python3

import sys
import string
import random

def main():

    # Read input value
    for number in sys.stdin:
        i = int(number)

        # Generate some random rows
        for id in range(0, i):
            letters = string.ascii_letters
            random_string =  ''.join(random.choices(letters ,k=10))
            print(str(id) + '\t' + random_string + '\n', end='')

        # Flush results to stdout
        sys.stdout.flush()

if __name__ == "__main__":
    main()

次の my_executable_table は、my_script.py の出力から作成され、my_executable_table から SELECT を実行するたびに10個のランダムな文字列を生成します。

CREATE TABLE my_executable_table (
   x UInt32,
   y String
)
ENGINE = Executable('my_script.py', TabSeparated, (SELECT 10))

テーブルの作成は即座に戻り、スクリプトは呼び出されません。my_executable_table をクエリすると、スクリプトが呼び出されます。

SELECT * FROM my_executable_table

┌─x─┬─y──────────┐
│ 0 │ BsnKBsNGNH │
│ 1 │ mgHfBCUrWM │
│ 2 │ iDQAVhlygr │
│ 3 │ uNGwDuXyCk │
│ 4 │ GcFdQWvoLB │
│ 5 │ UkciuuOTVO │
│ 6 │ HoKeCdHkbs │
│ 7 │ xRvySxqAcR │
│ 8 │ LKbXPHpyDI │
│ 9 │ zxogHTzEVV │
└───┴────────────┘

クエリ結果をスクリプトに渡す​

Hacker News ウェブサイトのユーザーはコメントを投稿します。Python には、コメントがポジティブ、ネガティブ、または中立であるかを判断するための自然言語処理ツールキット (nltk) があります。このツールキットには、-1（非常にネガティブなコメント）から1（非常にポジティブなコメント）の間の値を割り当てることを含む SentimentIntensityAnalyzer があります。では、nltk を使用してHacker News のコメントの感情を計算する Executable テーブルを作成しましょう。

この例では、こちらで説明されている hackernews テーブルを使用します。hackernews テーブルには、UInt64 型の id カラムと comment という名前の String カラムが含まれています。Executable テーブルを定義してみましょう。

CREATE TABLE sentiment (
   id UInt64,
   sentiment Float32
)
ENGINE = Executable(
    'sentiment.py',
    TabSeparated,
    (SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20)
);

sentiment テーブルについてのコメントはいくつかあります。

  • sentiment.py ファイルは user_scripts フォルダーに保存されています（これは user_scripts_path 設定のデフォルトのフォルダーです）
  • TabSeparated フォーマットは、Python スクリプトがタブ区切り値を含む生データの行を生成する必要があることを意味します
  • クエリは hackernews から2つのカラムを選択します。Python スクリプトは、受信行からこれらのカラム値を解析する必要があります

以下は sentiment.py の定義です。

#!/usr/local/bin/python3.9

import sys
import nltk
from nltk.sentiment import SentimentIntensityAnalyzer

def main():
    sentiment_analyzer = SentimentIntensityAnalyzer()

    while True:
        try:
            row = sys.stdin.readline()
            if row == '':
                break

            split_line = row.split("\t")

            id = str(split_line[0])
            comment = split_line[1]

            score = sentiment_analyzer.polarity_scores(comment)['compound']
            print(id + '\t' + str(score) + '\n', end='')
            sys.stdout.flush()
        except BaseException as x:
            break

if __name__ == "__main__":
    main()

私たちの Python スクリプトについてのコメントはいくつかあります。

  • これを機能させるためには、nltk.downloader.download('vader_lexicon') を実行する必要があります。これはスクリプト内に配置できましたが、そうすると sentiment テーブルに対してクエリが実行されるたびにダウンロードされることになり、効率的ではありません
  • row の各値は、SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20 の結果セットの行になります
  • 受信行はタブ区切りなので、Python の split 関数を使用して id と comment を解析します
  • polarity_scores の結果は多数の値を含む JSON オブジェクトです。この JSON オブジェクトの compound 値を取得することに決めました
  • ClickHouse の sentiment テーブルは TabSeparated フォーマットを使用しており、2つのカラムを含むため、私たちの print 関数はそれらのカラムをタブで区切ります

sentiment テーブルから行を選択するクエリを書くたびに、SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20 クエリが実行され、その結果が sentiment.py に渡されます。試してみましょう。

SELECT *
FROM sentiment

レスポンスは次のようになります。

┌───────id─┬─sentiment─┐
│  7398199 │    0.4404 │
│ 21640317 │    0.1779 │
│ 21462000 │         0 │
│ 25168863 │         0 │
│ 25168978 │   -0.1531 │
│ 25169359 │         0 │
│ 25169394 │   -0.9231 │
│ 25169766 │    0.4137 │
│ 25172570 │    0.7469 │
│ 25173687 │    0.6249 │
│ 28291534 │         0 │
│ 28291669 │   -0.4767 │
│ 28291731 │         0 │
│ 28291949 │   -0.4767 │
│ 28292004 │    0.3612 │
│ 28292050 │    -0.296 │
│ 28292322 │         0 │
│ 28295172 │    0.7717 │
│ 28295288 │    0.4404 │
│ 21465723 │   -0.6956 │
└──────────┴───────────┘

ExecutablePool テーブルの作成​

ExecutablePool の構文は Executable と似ていますが、ExecutablePool テーブルに特有のいくつかの関連設定があります。

  • pool_size
    • 説明: プロセスプールのサイズ。サイズが0の場合、サイズ制限はありません
    • デフォルト値: 16
  • max_command_execution_time
    • 説明: 最大コマンド実行時間（秒）
    • デフォルト値: 10

上記の sentiment テーブルを Executable の代わりに ExecutablePool を使用するように簡単に変換できます。

CREATE TABLE sentiment_pooled (
   id UInt64,
   sentiment Float32
)
ENGINE = ExecutablePool(
    'sentiment.py',
    TabSeparated,
    (SELECT id, comment FROM hackernews WHERE id > 0 AND comment != '' LIMIT 20000)
)
SETTINGS
    pool_size = 4;

ClickHouse は、クライアントが sentiment_pooled テーブルをクエリする際に、必要に応じて4つのプロセスを維持します。