> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-postgresql-tls-support.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # Consulta directa de formatos de tabla abiertos > Use las funciones de tabla de ClickHouse para leer tablas de Iceberg, Delta Lake, Hudi y Paimon en almacenamiento de objetos sin ninguna configuración previa. export const ExperimentalBadge = () => { return
Funcionalidad experimental. Más información.
; }; ClickHouse proporciona funciones de tabla para consultar datos almacenados en formatos de tabla abiertos directamente en el almacenamiento de objetos. No es necesario conectarse a un catálogo externo: los datos se consultan in situ, de forma similar a como AWS Athena lee desde S3. Se especifican directamente en la llamada a la función la ruta de almacenamiento y las credenciales, y ClickHouse se encarga del resto. Toda la sintaxis y las funciones de ClickHouse SQL están disponibles, y las consultas se benefician de la ejecución en paralelo de ClickHouse y de su [eficiente lector nativo de Parquet](https://clickhouse.com/blog/clickhouse-and-parquet-a-foundation-for-fast-lakehouse-analytics). **Servidor, local o chDB** Los pasos de esta guía pueden ejecutarse con una instalación existente de ClickHouse server. Para consultas ad hoc, también puede usar [clickhouse-local](/es/concepts/features/tools-and-utilities/clickhouse-local) y completar el mismo flujo de trabajo sin ejecutar un servidor. Con pequeños ajustes, el proceso también puede realizarse con la distribución embebida de ClickHouse, [chDB](/es/products/chdb/index). Los siguientes ejemplos usan el dataset [hits](/es/get-started/sample-datasets/star-schema) almacenado en cada formato de lakehouse en S3. Para cada formato de lakehouse, existen funciones específicas para cada proveedor de almacenamiento de objetos. La función de tabla [`iceberg`](/es/reference/functions/table-functions/iceberg) (alias de `icebergS3`) lee tablas Iceberg directamente desde el almacenamiento de objetos. Existen variantes para cada backend de almacenamiento: `icebergS3`, `icebergAzure`, `icebergHDFS` e `icebergLocal`. **Sintaxis de ejemplo:** ```sql theme={null} icebergS3(url [, NOSIGN | access_key_id, secret_access_key, [session_token]] [,format] [,compression_method]) icebergAzure(connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) icebergLocal(path_to_table, [,format] [,compression_method]) ``` **Compatibilidad con GCS** La variante S3 de las funciones puede usarse con Google Cloud Storage (GCS). **Ejemplo:** ```sql theme={null} SELECT url, count() AS cnt FROM icebergS3('https://datasets-documentation.s3.amazonaws.com/lake_formats/iceberg/') GROUP BY url ORDER BY cnt DESC LIMIT 5 ``` ```response theme={null} ┌─url────────────────────────────────────────────────┬─────cnt─┐ │ http://liver.ru/belgorod/page/1006.jки/доп_приборы │ 3288173 │ -- 3,29 millones │ http://kinopoisk.ru │ 1625250 │ -- 1,63 millones │ http://bdsm_po_yers=0&with_video │ 791465 │ │ http://video.yandex │ 582400 │ │ http://smeshariki.ru/region │ 514984 │ └────────────────────────────────────────────────────┴─────────┘ 5 rows in set. Elapsed: 3.375 sec. Processed 100.00 million rows, 9.98 GB (29.63 million rows/s., 2.96 GB/s.) Peak memory usage: 10.48 GiB. ``` ### Variante de clúster La función [`icebergS3Cluster`](/es/reference/functions/table-functions/icebergCluster) distribuye las lecturas entre múltiples nodos en un clúster de ClickHouse. El nodo iniciador establece conexiones con todos los nodos y distribuye los archivos de datos de forma dinámica. Cada nodo worker solicita y procesa tareas hasta que todos los archivos han sido leídos. `icebergCluster` es un alias de `icebergS3Cluster`. También existen variantes para Azure ([`icebergAzureCluster`](/es/reference/functions/table-functions/icebergCluster)) y HDFS ([`icebergHDFSCluster`](/es/reference/functions/table-functions/icebergCluster)). **Sintaxis de ejemplo:** ```sql theme={null} icebergS3Cluster(cluster_name, url [, NOSIGN | access_key_id, secret_access_key, [session_token]] [,format] [,compression_method]) -- icebergCluster es un alias de icebergS3Cluster icebergAzureCluster(cluster_name, connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) ``` **Ejemplo (ClickHouse Cloud):** ```sql theme={null} SELECT url, count() AS cnt FROM icebergS3Cluster( 'default', 'https://datasets-documentation.s3.amazonaws.com/lake_formats/iceberg/' ) GROUP BY url ORDER BY cnt DESC LIMIT 5 ``` ### Motor de tabla Como alternativa al uso de la función de tabla en cada consulta, puede crear una tabla persistente mediante el [motor de tabla `Iceberg`](/es/reference/engines/table-engines/integrations/iceberg). Los datos siguen residiendo en object storage y se leen bajo demanda; no se copia ningún dato en ClickHouse. La ventaja es que la definición de tabla se almacena en ClickHouse y puede compartirse entre usuarios y sesiones sin que cada usuario tenga que especificar la ruta de almacenamiento ni las credenciales. Existen variantes del motor para cada backend de almacenamiento: `IcebergS3` (o el alias `Iceberg`), `IcebergAzure`, `IcebergHDFS` e `IcebergLocal`. Tanto el motor de tabla como la función de tabla admiten [caché de datos](/es/reference/engines/table-engines/integrations/iceberg#data-cache), utilizando el mismo mecanismo de caché que los motores de almacenamiento S3, AzureBlobStorage y HDFS. Además, un [caché de metadatos](/es/reference/engines/table-engines/integrations/iceberg#metadata-cache) almacena en memoria la información de los archivos de manifiesto, lo que reduce las lecturas repetidas de metadatos de Iceberg. Este caché está habilitado de forma predeterminada mediante la configuración `use_iceberg_metadata_files_cache`. **Sintaxis de ejemplo:** El motor de tabla `Iceberg` es un alias de `IcebergS3`. ```sql theme={null} CREATE TABLE iceberg_table ENGINE = IcebergS3(url [, NOSIGN | access_key_id, secret_access_key, [session_token]] [,format] [,compression_method]) CREATE TABLE iceberg_table ENGINE = IcebergAzure(connection_string|storage_account_url, container_name, blobpath, [account_name, account_key, format, compression]) CREATE TABLE iceberg_table ENGINE = IcebergLocal(path_to_table, [,format] [,compression_method]) ``` **Compatibilidad con GCS** La variante S3 del motor de tabla puede utilizarse con Google Cloud Storage (GCS). **Ejemplo:** ```sql theme={null} CREATE TABLE hits_iceberg ENGINE = IcebergS3('https://datasets-documentation.s3.amazonaws.com/lake_formats/iceberg/') SELECT url, count() AS cnt FROM hits_iceberg GROUP BY url ORDER BY cnt DESC LIMIT 5 ``` ```response theme={null} ┌─url────────────────────────────────────────────────┬─────cnt─┐ │ http://liver.ru/belgorod/page/1006.jки/доп_приборы │ 3288173 │ │ http://kinopoisk.ru │ 1625250 │ │ http://bdsm_po_yers=0&with_video │ 791465 │ │ http://video.yandex │ 582400 │ │ http://smeshariki.ru/region │ 514984 │ └────────────────────────────────────────────────────┴─────────┘ 5 rows in set. Elapsed: 2.737 sec. Processed 100.00 million rows, 9.98 GB (36.53 million rows/s., 3.64 GB/s.) Peak memory usage: 10.53 GiB. ``` Para ver las funcionalidades compatibles, incluidas la poda de particiones, la evolución de esquemas, el viaje en el tiempo, el almacenamiento en caché y más, consulte la [matriz de compatibilidad](/es/guides/use-cases/data-warehousing/support-matrix#format-support). Para obtener la referencia completa, consulte la documentación de la [función de tabla `iceberg`](/es/reference/functions/table-functions/iceberg) y del [motor de tabla `Iceberg`](/es/reference/engines/table-engines/integrations/iceberg). La función de tabla [`deltaLake`](/es/reference/functions/table-functions/deltalake) (alias de `deltaLakeS3`) lee tablas Delta Lake desde el almacenamiento de objetos. Existen variantes para otros backends: `deltaLakeAzure` y `deltaLakeLocal`. **Sintaxis de ejemplo:** ```sql theme={null} deltaLakeS3(url [,aws_access_key_id, aws_secret_access_key] [,format] [,structure] [,compression]) deltaLakeAzure(connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) deltaLakeLocal(path, [,format]) ``` **Compatibilidad con GCS** La variante S3 de las funciones se puede usar con Google Cloud Storage (GCS). **Ejemplo:** ```sql theme={null} SELECT URL, count() AS cnt FROM deltaLake('https://datasets-documentation.s3.amazonaws.com/lake_formats/delta_lake/') GROUP BY URL ORDER BY cnt DESC LIMIT 5 ``` ```response theme={null} ┌─URL────────────────────────────────────────────────┬─────cnt─┐ │ http://liver.ru/belgorod/page/1006.jки/доп_приборы │ 3288173 │ -- 3,29 millones │ http://kinopoisk.ru │ 1625250 │ -- 1,63 millones │ http://bdsm_po_yers=0&with_video │ 791465 │ │ http://video.yandex │ 582400 │ │ http://smeshariki.ru/region │ 514984 │ └────────────────────────────────────────────────────┴─────────┘ 5 rows in set. Elapsed: 3.878 sec. Processed 100.00 million rows, 14.82 GB (25.78 million rows/s., 3.82 GB/s.) Peak memory usage: 9.16 GiB. ``` ### Variante de clúster La función [`deltaLakeCluster`](/es/reference/functions/table-functions/deltalakeCluster) distribuye las lecturas entre múltiples nodos de un ClickHouse cluster. El nodo initiator envía data files dinámicamente a los nodos worker para su procesamiento en paralelo. `deltaLakeS3Cluster` es un alias de `deltaLakeCluster`. También está disponible una variante de Azure ([`deltaLakeAzureCluster`](/es/reference/functions/table-functions/deltalakeCluster)). **Sintaxis de ejemplo:** ```sql theme={null} deltaLakeCluster(cluster_name, url [,aws_access_key_id, aws_secret_access_key] [,format] [,structure] [,compression]) -- deltaLakeS3Cluster es un alias de deltaLakeCluster deltaLakeAzureCluster(cluster_name, connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) ``` **Compatibilidad con GCS** La variante S3 de las funciones puede usarse con Google Cloud Storage (GCS). **Ejemplo (ClickHouse Cloud):** ```sql theme={null} SELECT URL, count() AS cnt FROM deltaLakeCluster( 'default', 'https://datasets-documentation.s3.amazonaws.com/lake_formats/delta_lake/' ) GROUP BY URL ORDER BY cnt DESC LIMIT 5 ``` ### Motor de tabla Como alternativa al uso de la función de tabla en cada consulta, puede crear una tabla persistente mediante el [motor de tabla `DeltaLake`](/es/reference/engines/table-engines/integrations/deltalake) si utiliza almacenamiento compatible con S3. Los datos siguen residiendo en el almacenamiento de objetos y se leen bajo demanda; no se copia ningún dato en ClickHouse. La ventaja es que la definición de la tabla se almacena en ClickHouse y puede compartirse entre usuarios y sesiones sin necesidad de que cada usuario especifique la ruta de almacenamiento ni las credenciales. Tanto el motor de tabla como la función de tabla admiten [caché de datos](/es/reference/engines/table-engines/integrations/deltalake#data-cache), usando el mismo mecanismo de caché que los motores de almacenamiento S3, AzureBlobStorage y HDFS. **Sintaxis de ejemplo:** ```sql theme={null} CREATE TABLE delta_table ENGINE = DeltaLake(url [,aws_access_key_id, aws_secret_access_key]) ``` **Compatibilidad con GCS** Este motor de tabla puede utilizarse con Google Cloud Storage (GCS). **Ejemplo:** ```sql theme={null} CREATE TABLE hits_delta ENGINE = DeltaLake('https://datasets-documentation.s3.amazonaws.com/lake_formats/delta_lake/') SELECT URL, count() AS cnt FROM hits_delta GROUP BY URL ORDER BY cnt DESC LIMIT 5 ``` ```response theme={null} ┌─URL────────────────────────────────────────────────┬─────cnt─┐ │ http://liver.ru/belgorod/page/1006.jки/доп_приборы │ 3288173 │ │ http://kinopoisk.ru │ 1625250 │ │ http://bdsm_po_yers=0&with_video │ 791465 │ │ http://video.yandex │ 582400 │ │ http://smeshariki.ru/region │ 514984 │ └────────────────────────────────────────────────────┴─────────┘ 5 rows in set. Elapsed: 3.608 sec. Processed 100.00 million rows, 14.82 GB (27.72 million rows/s., 4.11 GB/s.) Peak memory usage: 9.27 GiB. ``` Para conocer las funcionalidades compatibles, incluidos los backends de almacenamiento, el caching y más, consulte la [matriz de compatibilidad](/es/guides/use-cases/data-warehousing/support-matrix#format-support). Para obtener la referencia completa, consulte la documentación de la [función de tabla `deltaLake`](/es/reference/functions/table-functions/deltalake) y del [motor de tabla `DeltaLake`](/es/reference/engines/table-engines/integrations/deltalake). La función de tabla [`hudi`](/es/reference/functions/table-functions/hudi) lee tablas Hudi de S3. **Sintaxis:** ```sql theme={null} hudi(url [,aws_access_key_id, aws_secret_access_key] [,format] [,structure] [,compression]) ``` ### Variante para clúster La función [`hudiCluster`](/es/reference/functions/table-functions/hudiCluster) distribuye las lecturas entre varios nodos de un clúster de ClickHouse. El nodo iniciador asigna dinámicamente los archivos de datos a los nodos de trabajo para su procesamiento en paralelo. ```sql theme={null} hudiCluster(cluster_name, url [,aws_access_key_id, aws_secret_access_key] [,format] [,structure] [,compression]) ``` ### Motor de tabla Como alternativa a usar la función de tabla en cada consulta, puede crear una tabla persistente con el [motor de tabla `Hudi`](/es/reference/engines/table-engines/integrations/hudi). Los datos siguen residiendo en el almacenamiento de objetos y se leen bajo demanda; no se copia ningún dato en ClickHouse. La ventaja es que la definición de la tabla se almacena en ClickHouse y puede compartirse entre usuarios y sesiones sin que cada usuario tenga que especificar la ruta de almacenamiento y las credenciales. **Sintaxis:** ```sql theme={null} CREATE TABLE hudi_table ENGINE = Hudi(url [,aws_access_key_id, aws_secret_access_key]) ``` Para conocer las funcionalidades compatibles, incluidos los backends de almacenamiento y otras opciones, consulte la [matriz de compatibilidad](/es/guides/use-cases/data-warehousing/support-matrix#format-support). Para consultar la referencia completa, vea la documentación de la [función de tabla `hudi`](/es/reference/functions/table-functions/hudi) y del [motor de tabla `Hudi`](/es/reference/engines/table-engines/integrations/hudi). La [función de tabla `paimon`](/es/reference/functions/table-functions/paimon) (alias de `paimonS3`) lee tablas de Paimon desde el almacenamiento de objetos. Hay variantes para cada tipo de almacenamiento: `paimonS3`, `paimonAzure`, `paimonHDFS` y `paimonLocal`. **Sintaxis:** ```sql theme={null} paimon(url [,access_key_id, secret_access_key] [,format] [,structure] [,compression]) paimonS3(url [,access_key_id, secret_access_key] [,format] [,structure] [,compression]) paimonAzure(connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) paimonHDFS(path_to_table, [,format] [,compression_method]) paimonLocal(path_to_table, [,format] [,compression_method]) ``` ### Variante de clúster La función [`paimonS3Cluster`](/es/reference/functions/table-functions/paimonCluster) distribuye la lectura entre varios nodos de un clúster de ClickHouse. El nodo iniciador asigna dinámicamente los archivos de datos a los nodos de trabajo para su procesamiento en paralelo. `paimonCluster` es un alias de `paimonS3Cluster`. También existen variantes para Azure ([`paimonAzureCluster`](/es/reference/functions/table-functions/paimonCluster)) y HDFS ([`paimonHDFSCluster`](/es/reference/functions/table-functions/paimonCluster)). ```sql theme={null} paimonS3Cluster(cluster_name, url [,access_key_id, secret_access_key] [,format] [,structure] [,compression]) -- paimonCluster es un alias de paimonS3Cluster paimonAzureCluster(cluster_name, connection_string|storage_account_url, container_name, blobpath, [,account_name], [,account_key] [,format] [,compression_method]) paimonHDFSCluster(cluster_name, path_to_table, [,format] [,compression_method]) ``` ### Motor de tabla Actualmente, Paimon no tiene un motor de tabla específico en ClickHouse. Use las funciones de tabla anteriores para consultar las tablas de Paimon. Para ver las funcionalidades compatibles, incluidos los backends de almacenamiento, consulte la [matriz de compatibilidad](/es/guides/use-cases/data-warehousing/support-matrix#format-support). Para obtener la referencia completa, consulte la documentación de la [función de tabla `paimon`](/es/reference/functions/table-functions/paimon).