记 Doris 回归测试S3导入load

记 Doris 回归测试S3导入load_parallelism ＞ 1

news2024/11/25 1:55:14

增加load_parallelism > 1的S3导入用例，测试导入时切分输入文件的逻辑。

这里有几个隐性的问题点（坑）：

1、导入的文件一定要大，一般大于128M，否则，即使设置了 load_parallelism > 1 也不会doris的逻辑也不会切分文件并且多线程导入。

应该是min_bytes_per_broker_scanner这个参数控制的，默认是64M。

2、操作系统CA证书路径问题

回归测试里的S3导入用例，一般是从regression-conf.groovy里的配置变量获取endpoint、bucket、ak、sk，其中endpoint是社区流水线的域名，如果在LOAD语句里直接使用域名，那么默认使用https协议连接S3服务，例如：

) WITH S3 (
   "AWS_ENDPOINT" = "cos.ap-beijing.myqcloud.com",
   "AWS_ACCESS_KEY" = "AKIDd9RVMzIOI0V7Wlnbr9JG0WrhJk28zc2H",
   "AWS_SECRET_KEY" = "4uWxMhqnW3Plz97sPjqlSUXO1RhokRuO",
   "AWS_REGION" = "ap-beijing"
)

也可以在域名前加http或https来指定协议：

"AWS_ENDPOINT" = "http://cos.ap-beijing.myqcloud.com"

"AWS_ENDPOINT" = "https://cos.ap-beijing.myqcloud.com"

注意，BE底层是用AWS SDK访问S3服务的，而 AWS SDK 默认是走https，就是说这里如果只传入域名，走的是https协议使用端口443。

走http，LOAD成功，但是，走https失败，报错找不到CA证书（CA公钥）：

[IO_ERROR]failed to read from s3://doris-build-1308700295/regression/load/data/test_load_parallelism.csv: curlCode: 77, Problem with the SSL CA cert (path? access rights?)

这个问题搞了好几天，也有对CA理解不够透彻的原因，也有对doris底层代码理解不透彻的原因。

经社区小伙伴提示，可能时CA证书的路径不对，doris找不到，调试doris BE端代码发现，doris和S3通讯用的是aws sdk，endpoint没有处理直接传给aws client，aws client再去选择https协议，找CA证书，而我没有aws sdk代码，不知道aws sdk到哪里找CA证书。

而我用aws cli是可以访问cos.ap-beijing.myqcloud.com并且读取对象的，使用的也是https协议。（后来我猜测aws cli应该是自带CA证书的）

并且curl可以访问https网站，例如https://www.baidu.com，也就是说curl可以进行https通讯，而进行https通讯必须要CA证书，那么curl的CA证书在哪呢？在网上搜搜搜，用 curl -vvI 访问一个https网址可以打印出来：

这里可以看到我机器上的CA证书路径：

/etc/pki/tls/certs/ca-bundle.crt

那么 aws sdk 寻找的CA证书路径是啥，是不是把上面这个文件，放到aws sdk寻找的路径就可以了？

从社区小伙伴那里了解到，这个路径可能和操作系统相关，而我用的是openeuler。

我想到了编译doris时用thirdparty库，里面的bin目录下也有个curl，这个curl寻找CA证书的路径，是不是与doris相同，毕竟都是来自社区的嘛~

我就试了一下这个来自社区的curl：

./thirdparty/installed/bin/curl -vvI https://www.baidu.com

发现它寻找的CA证书的路径是：

/etc/ssl/certs/ca-certificates.crt

而我本机这个路径下，没有证书文件，尝试拷贝我本机自带的curl用的CA证书，到这个路径：

cp /etc/pki/tls/certs/ca-bundle.crt /etc/ssl/certs/ca-certificates.crt

再执行S3 LOAD，走https就成功了：

LOAD LABEL part_9744bffa3ea1e (
   DATA INFILE("s3://doris-build-1308700295/regression/load/data/test_load_parallelism.csv")
   INTO TABLE paral_load
   COLUMNS TERMINATED BY ","
   FORMAT AS "CSV"
)
WITH S3 (
   "AWS_ENDPOINT" = "cos.ap-beijing.myqcloud.com",
   "AWS_ACCESS_KEY" = "AKIDd9RVMzIOI0V7Wlnbr9JG0WrhJk28zc2H",
   "AWS_SECRET_KEY" = "4uWxMhqnW3Plz97sPjqlSUXO1RhokRuO",
   "AWS_REGION" = "ap-beijing"
)
PROPERTIES(
   "load_parallelism" = "3",
   "timeout" = "3600"
);