import ChangeLog from ‘../changelog/connector-file-sftp.md’;

SftpFile

Sftp文件数据源连接器

支持的引擎

Spark
Flink
SeaTunnel Zeta

主要特性

• [x] 多模态

  使用二进制文件格式读取和写入任何格式的文件，例如视频、图片等。简而言之，任何文件都可以同步到目标位置。

• [x] 批处理

• [ ] 流处理

• [ ] 精确一次

• [x] 列投影

• [x] 并行度

• [ ] 支持用户定义的分片

• [x] 文件格式类型

  • [x] text
  • [x] csv
  • [x] json
  • [x] excel
  • [x] xml
  • [x] binary
  • [x] markdown

描述

从sftp文件服务器读取数据。

支持的数据源信息

为了使用SftpFile连接器，需要以下依赖项。 可以通过install-plugin.sh或从Maven中央仓库下载。

数据源	支持的版本	依赖
SftpFile	universal	下载

:::tip

如果您使用spark/flink，为了使用此连接器，您必须确保您的spark/flink集群已经集成了hadoop。测试过的hadoop版本是2.x。

如果您使用SeaTunnel引擎，它在您下载和安装SeaTunnel引擎时会自动集成hadoop jar。您可以检查${SEATUNNEL_HOME}/lib下的jar包来确认这一点。

为了支持更多文件类型，我们做了一些权衡，因此我们使用HDFS协议进行内部访问Sftp，此连接器需要一些hadoop依赖项。 它只支持hadoop版本2.9.X+。

:::

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Schema来指示相应的数据需要转换为哪种SeaTunnel数据类型。

SeaTunnel数据类型
STRING
SHORT
INT
BIGINT
BOOLEAN
DOUBLE
DECIMAL
FLOAT
DATE
TIME
TIMESTAMP
BYTES
ARRAY
MAP

数据源选项

名称	类型	是否必需	默认值	描述
host	String	是	-	目标sftp主机是必需的
port	Int	是	-	目标sftp端口是必需的
user	String	是	-	目标sftp用户名是必需的
password	String	是	-	目标sftp密码是必需的
path	String	是	-	源文件路径。
file_format_type	String	是	-	请查看下面的#file_format_type
file_filter_pattern	String	否	-	过滤模式，用于过滤文件。
filename_extension	string	否	-	过滤文件名扩展名，用于过滤具有特定扩展名的文件。例如：csv .txt json .xml。
delimiter/field_delimiter	String	否	\001	delimiter参数将在2.3.5版本后弃用，请使用field_delimiter代替。 字段分隔符，用于告诉连接器在读取文本文件时如何切分字段。 默认\001，与hive的默认分隔符相同
row_delimiter	string	否	\n	行分隔符，用于告诉连接器在读取文本文件时如何切分行。 默认\n。
parse_partition_from_path	Boolean	否	true	控制是否从文件路径解析分区键和值 例如，如果您从路径oss://hadoop-cluster/tmp/seatunnel/parquet/name=tyrantlucifer/age=26读取文件 文件中的每条记录数据都将添加这两个字段： name age tyrantlucifer 26 提示：不要在schema选项中定义分区字段
date_format	String	否	yyyy-MM-dd	日期类型格式，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	String	否	yyyy-MM-dd HH:mm:ss	日期时间类型格式，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	String	否	HH:mm:ss	时间类型格式，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	Long	否	0	跳过前几行，但仅适用于txt和csv。 例如，设置如下： skip_header_row_number = 2 然后SeaTunnel将跳过源文件的前2行
read_columns	list	否	-	数据源的读取列列表，用户可以使用它来实现字段投影。
sheet_name	String	否	-	读取工作簿的工作表，仅在file_format为excel时使用。
xml_row_tag	string	否	-	指定XML文件中数据行的标签名称，仅在file_format为xml时使用。
xml_use_attr_format	boolean	否	-	指定是否使用标签属性格式处理数据，仅在file_format为xml时使用。
csv_use_header_line	boolean	否	false	是否使用标题行来解析文件，仅在file_format为csv且文件包含符合RFC 4180的标题行时使用
schema	Config	否	-	请查看下面的#schema
compress_codec	String	否	None	文件的压缩编解码器，支持的详细信息如下所示： - txt: lzo None - json: lzo None - csv: lzo None - orc: lzo snappy lz4 zlib None - parquet: lzo snappy lz4 gzip brotli zstd None 提示：excel类型不支持任何压缩格式
archive_compress_codec	string	否	none
encoding	string	否	UTF-8
null_format	string	否	-	仅在file_format_type为text时使用。null_format用于定义哪些字符串可以表示为null。例如：\N
binary_chunk_size	int	否	1024	仅在file_format_type为binary时使用。读取二进制文件的块大小（以字节为单位）。默认为1024字节。较大的值可能会提高大文件的性能，但会使用更多内存。
binary_complete_file_mode	boolean	否	false	仅在file_format_type为binary时使用。是否将完整文件作为单个块读取，而不是分割成块。启用时，整个文件内容将一次性读入内存。默认为false。
common-options		否	-	数据源插件通用参数，请参考数据源通用选项了解详情。
file_filter_modified_start	string	否	-	按照最后修改时间过滤文件。 要过滤的开始时间(包括改时间),时间格式是：yyyy-MM-dd HH:mm:ss
file_filter_modified_end	string	否	-	按照最后修改时间过滤文件。 要过滤的结束时间(不包括改时间),时间格式是：yyyy-MM-dd HH:mm:ss

file_filter_pattern [string]

过滤模式，用于过滤文件。

该模式遵循标准正则表达式。详情请参考 https://en.wikipedia.org/wiki/Regular_expression。 以下是一些示例。

文件结构示例：

/data/seatunnel/20241001/report.txt
/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv
/data/seatunnel/20241005/old_data.csv
/data/seatunnel/20241012/logo.png

匹配规则示例：

示例1：匹配所有.txt文件，正则表达式：

/data/seatunnel/20241001/.*\.txt

此示例匹配的结果是：

/data/seatunnel/20241001/report.txt

示例2：匹配所有以abc开头的文件，正则表达式：

/data/seatunnel/20241002/abc.*

此示例匹配的结果是：

/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv

示例3：匹配所有以abc开头，且第四个字符是h或g的文件，正则表达式：

/data/seatunnel/20241007/abc[h,g].*

此示例匹配的结果是：

/data/seatunnel/20241007/abch202410.csv

示例4：匹配以202410开头的第三级文件夹和以.csv结尾的文件，正则表达式：

/data/seatunnel/202410\d*/.*\.csv

此示例匹配的结果是：

/data/seatunnel/20241007/abch202410.csv
/data/seatunnel/20241002/abcg202410.csv
/data/seatunnel/20241005/old_data.csv

file_format_type [string]

文件类型，支持以下文件类型： text csv parquet orc json excel xml binary markdown 如果您将文件类型指定为json，您还应该指定schema选项来告诉连接器如何将数据解析为您想要的行。 例如： 上游数据如下：

{"code":  200, "data":  "get success", "success":  true}

您也可以在一个文件中保存多条数据，并用换行符分隔：

{"code":  200, "data":  "get success", "success":  true}
{"code":  300, "data":  "get failed", "success":  false}

您应该按如下方式指定schema：

schema {
    fields {
        code = int
        data = string
        success = boolean
    }
}

连接器将生成如下数据： | code | data | success | |------|-------------|---------| | 200 | get success | true | 如果您将文件类型指定为parquet orc，则不需要schema选项，连接器可以自动找到上游数据的schema。 如果您将文件类型指定为text csv，您可以选择指定schema信息或不指定。 例如，上游数据如下：

tyrantlucifer#26#male

如果您不指定数据schema，连接器将把上游数据视为如下： | content | |-----------------------| | tyrantlucifer#26#male | 如果您指定数据schema，除了CSV文件类型外，您还应该指定选项field_delimiter 您应该按如下方式指定schema和分隔符：

field_delimiter = "#"
schema {
    fields {
        name = string
        age = int
        gender = string
    }
}

连接器将生成如下数据： | name | age | gender | |---------------|-----|--------| | tyrantlucifer | 26 | male |

如果您将文件类型指定为binary，SeaTunnel可以同步任何格式的文件， 例如压缩包、图片等。简而言之，任何文件都可以同步到目标位置。

如果您将文件类型指定为 markdown，SeaTunnel 可以解析 markdown 文件并提取结构化数据。 markdown 解析器提取各种元素，包括标题、段落、列表、代码块、表格等。 每个元素都转换为具有以下架构的行：

• element_id：元素的唯一标识符
• element_type：元素类型（Heading、Paragraph、ListItem 等）
• heading_level：标题级别（1-6，非标题元素为 null）
• text：元素的文本内容
• page_number：页码（默认：1）
• position_index：文档中的位置索引
• parent_id：父元素的 ID
• child_ids：子元素 ID 的逗号分隔列表

注意：Markdown 格式仅支持读取，不支持写入。 在此要求下，您需要确保源和接收器同时使用binary格式进行文件同步。

compress_codec [string]

文件的压缩编解码器，支持的详细信息如下所示：

• txt: lzo none
• json: lzo none
• csv: lzo none
• orc/parquet: 自动识别压缩类型，无需额外设置。

archive_compress_codec [string]

归档文件的压缩编解码器，支持的详细信息如下所示：

archive_compress_codec	file_format	archive_compress_suffix
ZIP	txt,json,excel,xml	.zip
TAR	txt,json,excel,xml	.tar
TAR_GZ	txt,json,excel,xml	.tar.gz
GZ	txt,json,excel,xml	.gz
NONE	all	.*

注意：gz压缩的excel文件需要压缩原始文件或指定文件后缀，例如e2e.xls ->e2e_test.xls.gz

encoding [string]

仅在file_format_type为json、text、csv、xml时使用。 要读取的文件的编码。此参数将由Charset.forName(encoding)解析。

binary_chunk_size [int]

仅在file_format_type为binary时使用。

读取二进制文件的块大小（以字节为单位）。默认为1024字节。较大的值可能会提高大文件的性能，但会使用更多内存。

binary_complete_file_mode [boolean]

仅在file_format_type为binary时使用。

是否将完整文件作为单个块读取，而不是分割成块。启用时，整个文件内容将一次性读入内存。默认为false。

schema [config]

fields [Config]

上游数据的schema。

如何创建Sftp数据同步作业

以下示例演示如何创建从sftp读取数据并在本地客户端打印的数据同步作业：

# 设置要执行的任务的基本配置
env {
  parallelism = 1
  job.mode = "BATCH"
}

# 创建连接到sftp的数据源
source {
  SftpFile {
    host = "sftp"
    port = 22
    user = seatunnel
    password = pass
    path = "tmp/seatunnel/read/json"
    file_format_type = "json"
    plugin_output = "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
  }
}

多表

SftpFile {
  tables_configs = [
    {
      schema {
        table = "student"
        fields {
          name = string
          age = int
        }
      }
      path = "/tmp/seatunnel/sink/text"
      host = "192.168.31.48"
      port = 21
      user = tyrantlucifer
      password = tianchao
      file_format_type = "parquet"
    },
    {
      schema {
        table = "teacher"
        fields {
          name = string
          age = int
        }
      }
      path = "/tmp/seatunnel/sink/text"
      host = "192.168.31.48"
      port = 21
      user = tyrantlucifer
      password = tianchao
      file_format_type = "parquet"
    }
  ]
}

过滤文件

env {
  parallelism = 1
  job.mode = "BATCH"
}

source {
  SftpFile {
    host = "sftp"
    port = 22
    user = seatunnel
    password = pass
    path = "tmp/seatunnel/read/json"
    file_format_type = "json"
    plugin_output = "sftp"
    // 文件示例 abcD2024.csv
    file_filter_pattern = "abc[DX]*.*"
  }
}

sink {
  Console {
  }
}

变更日志