[Doc] Add spark load sql statement doc and update manual

docs/.vuepress/sidebar/zh-CN.js

@@ -157,7 +157,7 @@ module.exports = [
             children:[
                 "udaf-orthogonal-bitmap-manual",
             ],
-          },          
+          },
         ],
       },
     ],
@@ -437,6 +437,7 @@ module.exports = [
               "SHOW TABLES",
               "SHOW TABLET",
               "SHOW TRANSACTION",
+              "SPARK LOAD",
               "STOP ROUTINE LOAD",
               "STREAM LOAD",
             ],

docs/zh-CN/administrator-guide/load-data/spark-load-manual.md

@@ -26,7 +26,7 @@ under the License.
 
 # Spark Load
 
-Spark load 通过 Spark 实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
+Spark load 通过外部的 Spark 资源实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
 
 Spark load 是一种异步导入方式，用户需要通过 MySQL 协议创建 Spark 类型导入任务，并通过 `SHOW LOAD` 查看导入结果。
 
@@ -238,7 +238,8 @@ REVOKE USAGE_PRIV ON RESOURCE "spark0" FROM "user0"@"%";
 ```sql
 LOAD LABEL load_label
     (data_desc, ...)
-    WITH RESOURCE resource_name resource_properties
+    WITH RESOURCE resource_name 
+    [resource_properties]
     [PROPERTIES (key1=value1, ... )]
 
 * load_label:
@@ -251,6 +252,14 @@ LOAD LABEL load_label
     [PARTITION (p1, p2)]
     [COLUMNS TERMINATED BY separator ]
     [(col1, ...)]
+    [COLUMNS FROM PATH AS (col2, ...)]
+    [SET (k1=f1(xx), k2=f2(xx))]
+    [WHERE predicate]
+
+    DATA FROM TABLE hive_external_tbl
+    [NEGATIVE]
+    INTO TABLE tbl_name
+    [PARTITION (p1, p2)]
     [SET (k1=f1(xx), k2=f2(xx))]
     [WHERE predicate]
 
@@ -307,12 +316,11 @@ properties
 "hive.metastore.uris" = "thrift://0.0.0.0:8080"
 );
 
-step 2: 提交load命令
+step 2: 提交load命令，要求导入的 doris 表中的列必须在 hive 外部表中存在。
 LOAD LABEL db1.label1
 (
     DATA FROM TABLE hive_t1
     INTO TABLE tbl1
-    (k1,k2,k3)
     SET
     (
 		uuid=bitmap_dict(uuid)
@@ -441,6 +449,10 @@ LoadFinishTime: 2019-07-27 11:50:16
 + spark_load_default_timeout_second
 
     任务默认超时时间为259200秒（3天）。
+
++ enable_spark_load
+
+    开启 Spark load 和创建 resource 功能。默认为 false，关闭此功能。
 
 
 

docs/zh-CN/sql-reference/sql-statements/Data Manipulation/SPARK LOAD.md

@@ -0,0 +1,265 @@
+---
+{
+    "title": "SPARK LOAD",
+    "language": "zh-CN"
+}
+---
+
+<!-- 
+Licensed to the Apache Software Foundation (ASF) under one
+or more contributor license agreements.  See the NOTICE file
+distributed with this work for additional information
+regarding copyright ownership.  The ASF licenses this file
+to you under the Apache License, Version 2.0 (the
+"License"); you may not use this file except in compliance
+with the License.  You may obtain a copy of the License at
+
+  http://www.apache.org/licenses/LICENSE-2.0
+
+Unless required by applicable law or agreed to in writing,
+software distributed under the License is distributed on an
+"AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
+KIND, either express or implied.  See the License for the
+specific language governing permissions and limitations
+under the License.
+-->
+
+# SPARK LOAD
+## description
+
+    Spark load 通过外部的 Spark 资源实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。
+
+    Spark load 是一种异步导入方式，用户需要通过 MySQL 协议创建 Spark 类型导入任务，并通过 `SHOW LOAD` 查看导入结果。
+
+语法：
+
+    LOAD LABEL load_label
+    (
+    data_desc1[, data_desc2, ...]
+    )
+    WITH RESOURCE resource_name
+    [resource_properties]
+    [opt_properties];
+
+    1. load_label
+
+        当前导入批次的标签。在一个 database 内唯一。
+        语法：
+        [database_name.]your_label
+
+    2. data_desc
+
+        用于描述一批导入数据。
+        语法：
+            DATA INFILE
+            (
+            "file_path1"[, file_path2, ...]
+            )
+            [NEGATIVE]
+            INTO TABLE `table_name`
+            [PARTITION (p1, p2)]
+            [COLUMNS TERMINATED BY "column_separator"]
+            [FORMAT AS "file_type"]
+            [(column_list)]
+            [COLUMNS FROM PATH AS (col2, ...)]
+            [SET (k1 = func(k2))]
+            [WHERE predicate]    
+
+            DATA FROM TABLE hive_external_tbl
+            [NEGATIVE]
+            INTO TABLE tbl_name
+            [PARTITION (p1, p2)]
+            [SET (k1=f1(xx), k2=f2(xx))]
+            [WHERE predicate]
+
+        说明：
+            file_path: 
+
+            文件路径，可以指定到一个文件，也可以用 * 通配符指定某个目录下的所有文件。通配符必须匹配到文件，而不能是目录。
+
+            hive_external_tbl:
+
+            hive 外部表名。
+            要求导入的 doris 表中的列必须在 hive 外部表中存在。
+            每个导入任务只支持从一个 hive 外部表导入。
+            不能与 file_path 方式同时使用。
+
+            PARTITION:
+
+            如果指定此参数，则只会导入指定的分区，导入分区以外的数据会被过滤掉。
+            如果不指定，默认导入table的所有分区。
+
+            NEGATIVE：
+
+            如果指定此参数，则相当于导入一批“负”数据。用于抵消之前导入的同一批数据。
+            该参数仅适用于存在 value 列，并且 value 列的聚合类型仅为 SUM 的情况。
+
+            column_separator：
+
+            用于指定导入文件中的列分隔符。默认为 \t
+            如果是不可见字符，则需要加\\x作为前缀，使用十六进制来表示分隔符。
+            如hive文件的分隔符\x01，指定为"\\x01"
+
+            file_type：
+
+            用于指定导入文件的类型，目前仅支持csv。 
+
+            column_list：
+
+            用于指定导入文件中的列和 table 中的列的对应关系。
+            当需要跳过导入文件中的某一列时，将该列指定为 table 中不存在的列名即可。
+            语法：
+            (col_name1, col_name2, ...)
+
+            SET:
+
+            如果指定此参数，可以将源文件某一列按照函数进行转化，然后将转化后的结果导入到table中。语法为 `column_name` = expression。
+            仅支持Spark SQL built-in functions，具体可参考 https://spark.apache.org/docs/2.4.6/api/sql/index.html。
+            举几个例子帮助理解。
+            例1: 表中有3个列“c1, c2, c3", 源文件中前两列依次对应(c1,c2)，后两列之和对应c3；那么需要指定 columns (c1,c2,tmp_c3,tmp_c4) SET (c3=tmp_c3+tmp_c4); 
+            例2: 表中有3个列“year, month, day"，源文件中只有一个时间列，为”2018-06-01 01:02:03“格式。
+            那么可以指定 columns(tmp_time) set (year = year(tmp_time), month=month(tmp_time), day=day(tmp_time)) 完成导入。
+
+            WHERE:
+
+            对做完 transform 的数据进行过滤，符合 where 条件的数据才能被导入。WHERE 语句中只可引用表中列名。
+    3. resource_name
+
+        所使用的 spark 资源名称，可以通过 `SHOW RESOURCES` 命令查看。
+
+    4. resource_properties
+
+        当用户有临时性的需求，比如增加任务使用的资源而修改 Spark configs，可以在这里设置，设置仅对本次任务生效，并不影响 Doris 集群中已有的配置。
+        另外不同的 broker，以及不同的访问方式，需要提供的信息不同。可以查看 broker 使用文档。
+
+    4. opt_properties
+
+        用于指定一些特殊参数。
+        语法：
+        [PROPERTIES ("key"="value", ...)]
+
+        可以指定如下参数：
+        timeout：         指定导入操作的超时时间。默认超时为4小时。单位秒。
+        max_filter_ratio：最大容忍可过滤（数据不规范等原因）的数据比例。默认零容忍。
+        strict mode：     是否对数据进行严格限制。默认为 false。
+        timezone:         指定某些受时区影响的函数的时区，如 strftime/alignment_timestamp/from_unixtime 等等，具体请查阅 [时区] 文档。如果不指定，则使用 "Asia/Shanghai" 时区。
+
+    5. 导入数据格式样例
+
+        整型类（TINYINT/SMALLINT/INT/BIGINT/LARGEINT）：1, 1000, 1234
+        浮点类（FLOAT/DOUBLE/DECIMAL）：1.1, 0.23, .356
+        日期类（DATE/DATETIME）：2017-10-03, 2017-06-13 12:34:03。
+        （注：如果是其他日期格式，可以在导入命令中，使用 strftime 或者 time_format 函数进行转换）
+        字符串类（CHAR/VARCHAR）："I am a student", "a"
+        NULL值：\N
+
+## example
+
+    1. 从 HDFS 导入一批数据，指定超时时间和过滤比例。使用名为 my_spark 的 spark 资源。
+
+        LOAD LABEL example_db.label1
+        (
+            DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
+            INTO TABLE `my_table`
+        )
+        WITH RESOURCE 'my_spark'
+        PROPERTIES
+        (
+            "timeout" = "3600",
+            "max_filter_ratio" = "0.1"
+        );
+
+        其中 hdfs_host 为 namenode 的 host，hdfs_port 为 fs.defaultFS 端口（默认9000）
+
+    2. 从 HDFS 导入一批"负"数据，指定分隔符为逗号，使用通配符*指定目录下的所有文件，并指定 spark 资源的临时参数。
+
+        LOAD LABEL example_db.label3
+        (
+            DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/*")
+            NEGATIVE
+            INTO TABLE `my_table`
+            COLUMNS TERMINATED BY ","
+        )
+        WITH RESOURCE 'my_spark'
+        (
+            "spark.executor.memory" = "3g",
+            "broker.username" = "hdfs_user",
+            "broker.password" = "hdfs_passwd"
+        );
+
+    3. 从 HDFS 导入一批数据，指定分区, 并对导入文件的列做一些转化，如下：
+       表结构为：
+        k1 varchar(20)
+        k2 int
+
+        假设数据文件只有一行数据：
+
+        Adele,1,1
+
+        数据文件中各列，对应导入语句中指定的各列：
+        k1,tmp_k2,tmp_k3
+
+        转换如下：
+
+        1) k1: 不变换
+        2) k2：是 tmp_k2 和 tmp_k3 数据之和
+
+        LOAD LABEL example_db.label6
+        (
+        DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
+        INTO TABLE `my_table`
+        PARTITION (p1, p2)
+        COLUMNS TERMINATED BY ","
+        (k1, tmp_k2, tmp_k3)
+        SET (
+          k2 = tmp_k2 + tmp_k3
+        )
+        )
+        WITH RESOURCE 'my_spark';
+
+    4. 提取文件路径中的分区字段
+
+        如果需要，则会根据表中定义的字段类型解析文件路径中的分区字段（partitioned fields），类似Spark中Partition Discovery的功能
+
+        LOAD LABEL example_db.label10
+        (
+        DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/*/*")
+        INTO TABLE `my_table`
+        (k1, k2, k3)
+        COLUMNS FROM PATH AS (city, utc_date)
+        SET (uniq_id = md5sum(k1, city))
+        )
+        WITH RESOURCE 'my_spark';
+
+        hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing目录下包括如下文件：
+
+        [hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/utc_date=2019-06-26/0000.csv, hdfs://hdfs_host:hdfs_port/user/palo/data/input/dir/city=beijing/utc_date=2019-06-26/0001.csv, ...]
+
+        则提取文件路径的中的city和utc_date字段
+
+    5. 对待导入数据进行过滤，k1 值大于 10 的列才能被导入。
+
+        LOAD LABEL example_db.label10
+        (
+        DATA INFILE("hdfs://hdfs_host:hdfs_port/user/palo/data/input/file")
+        INTO TABLE `my_table`
+        WHERE k1 > 10
+        )
+        WITH RESOURCE 'my_spark';
+
+    6. 从 hive 外部表导入，并将源表中的 uuid 列通过全局字典转化为 bitmap 类型。
+
+        LOAD LABEL db1.label1
+        (
+            DATA FROM TABLE hive_t1
+            INTO TABLE tbl1
+            SET
+            (
+                uuid=bitmap_dict(uuid)
+            )
+        )
+        WITH RESOURCE 'my_spark';
+
+## keyword
+
+    SPARK,LOAD