> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-fbfa8bee.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Méthodes de fabrique de DataStore

> Créer des instances DataStore à partir de fichiers, de bases de données, de stockage dans le cloud et de lacs de données

DataStore propose plus de 20 méthodes de fabrique pour créer des instances à partir de différentes sources de données, notamment des fichiers locaux, des bases de données, du stockage dans le cloud et des lacs de données.

<div id="uri">
  ## Interface URI universelle
</div>

La méthode `uri()` est le point d’accès universel recommandé, qui détecte automatiquement le type de source :

```python theme={null}
from chdb.datastore import DataStore

# Local files
ds = DataStore.uri("data.csv")
ds = DataStore.uri("/path/to/data.parquet")

# Cloud storage
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")
ds = DataStore.uri("https://example.com/data.csv")

# Databases
ds = DataStore.uri("mysql://user:pass@host:3306/db/table")
ds = DataStore.uri("postgresql://user:pass@host:5432/db/table")
```

<div id="uri-syntax">
  ### Référence de la syntaxe des URI
</div>

| Type de source | Format d’URI                                | Exemple                                                |
| -------------- | ------------------------------------------- | ------------------------------------------------------ |
| Fichier local  | `path/to/file`                              | `data.csv`, `/abs/path/data.parquet`                   |
| S3             | `s3://bucket/path`                          | `s3://mybucket/data.parquet?nosign=true`               |
| GCS            | `gs://bucket/path`                          | `gs://mybucket/data.csv`                               |
| Azure          | `az://container/path`                       | `az://mycontainer/data.parquet`                        |
| HTTP/HTTPS     | `https://url`                               | `https://example.com/data.csv`                         |
| MySQL          | `mysql://user:pass@host:port/db/table`      | `mysql://root:pass@localhost:3306/mydb/users`          |
| PostgreSQL     | `postgresql://user:pass@host:port/db/table` | `postgresql://postgres:pass@localhost:5432/mydb/users` |
| SQLite         | `sqlite:///path?table=name`                 | `sqlite:///data.db?table=users`                        |
| ClickHouse     | `clickhouse://host:port/db/table`           | `clickhouse://localhost:9000/default/hits`             |

***

<div id="file-sources">
  ## Sources de données de type fichier
</div>

<div id="from-file">
  ### `from_file`
</div>

Créer un DataStore à partir d’un fichier local ou distant, avec détection automatique du format.

```python theme={null}
DataStore.from_file(path, format=None, compression=None, **kwargs)
```

**Paramètres :**

| Paramètre     | Type | Par défaut    | Description                                           |
| ------------- | ---- | ------------- | ----------------------------------------------------- |
| `path`        | str  | *obligatoire* | Chemin de fichier (local ou URL)                      |
| `format`      | str  | `None`        | Format de fichier (détecté automatiquement si None)   |
| `compression` | str  | `None`        | Type de compression (détecté automatiquement si None) |

**Formats pris en charge :** CSV, TSV, Parquet, JSON, JSONLines, ORC, Avro, Arrow

**Exemples :**

```python theme={null}
from chdb.datastore import DataStore

# Auto-detect format from extension
ds = DataStore.from_file("data.csv")
ds = DataStore.from_file("data.parquet")
ds = DataStore.from_file("data.json")

# Explicit format
ds = DataStore.from_file("data.txt", format="CSV")

# With compression
ds = DataStore.from_file("data.csv.gz", compression="gzip")
```

<div id="pandas-read">
  ### Fonctions de lecture compatibles avec Pandas
</div>

```python theme={null}
from chdb import datastore as pd

# CSV files
ds = pd.read_csv("data.csv")
ds = pd.read_csv("data.csv", sep=";", header=0, nrows=1000)

# Parquet files (recommended for large datasets)
ds = pd.read_parquet("data.parquet")
ds = pd.read_parquet("data.parquet", columns=['col1', 'col2'])

# JSON files
ds = pd.read_json("data.json")
ds = pd.read_json("data.jsonl", lines=True)

# Excel files
ds = pd.read_excel("data.xlsx", sheet_name="Sheet1")
```

***

<div id="cloud-storage">
  ## Stockage Cloud
</div>

<div id="from-s3">
  ### `from_s3`
</div>

Créer un DataStore depuis Amazon S3.

```python theme={null}
DataStore.from_s3(url, access_key_id=None, secret_access_key=None, format=None, **kwargs)
```

**Paramètres :**

| Paramètre           | Type | Par défaut    | Description                                 |
| ------------------- | ---- | ------------- | ------------------------------------------- |
| `url`               | str  | *obligatoire* | URL S3 (s3://bucket/path)                   |
| `access_key_id`     | str  | `None`        | ID de la clé d'accès AWS                    |
| `secret_access_key` | str  | `None`        | Clé d'accès secrète AWS                     |
| `format`            | str  | `None`        | Format de fichier (détecté automatiquement) |

**Exemples :**

```python theme={null}
from chdb.datastore import DataStore

# Anonymous access (public bucket)
ds = DataStore.from_s3("s3://bucket/data.parquet")

# With credentials
ds = DataStore.from_s3(
    "s3://bucket/data.parquet",
    access_key_id="AKIAIOSFODNN7EXAMPLE",
    secret_access_key="wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY"
)

# Using URI with query parameters
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")
ds = DataStore.uri("s3://bucket/data.parquet?access_key_id=KEY&secret_access_key=SECRET")
```

<div id="from-gcs">
  ### `from_gcs`
</div>

Créer un DataStore depuis Google Cloud Storage.

```python theme={null}
DataStore.from_gcs(url, credentials_path=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_gcs("gs://bucket/data.parquet")
ds = DataStore.from_gcs("gs://bucket/data.parquet", credentials_path="/path/to/creds.json")
```

<div id="from-azure">
  ### `from_azure`
</div>

Créer un DataStore depuis Azure Blob Storage.

```python theme={null}
DataStore.from_azure(url, account_name=None, account_key=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_azure(
    "az://container/data.parquet",
    account_name="myaccount",
    account_key="mykey"
)
```

<div id="from-hdfs">
  ### `from_hdfs`
</div>

Créer un DataStore depuis HDFS.

```python theme={null}
DataStore.from_hdfs(url, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_hdfs("hdfs://namenode:8020/path/data.parquet")
```

<div id="from-url">
  ### `from_url`
</div>

Créer un DataStore à partir d’une URL HTTP/HTTPS.

```python theme={null}
DataStore.from_url(url, format=None, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_url("https://example.com/data.csv")
ds = DataStore.from_url("https://raw.githubusercontent.com/user/repo/main/data.parquet")
```

***

<div id="databases">
  ## Bases de données
</div>

<div id="from-mysql">
  ### `from_mysql`
</div>

Créer un DataStore à partir d’une base de données MySQL.

```python theme={null}
DataStore.from_mysql(host, database, table, user, password, port=3306, **kwargs)
```

**Paramètres :**

| Paramètre  | Type | Par défaut    | Description               |
| ---------- | ---- | ------------- | ------------------------- |
| `host`     | str  | *obligatoire* | Hôte MySQL                |
| `database` | str  | *obligatoire* | Nom de la base de données |
| `table`    | str  | *obligatoire* | Nom de la table           |
| `user`     | str  | *obligatoire* | Nom d’utilisateur         |
| `password` | str  | *obligatoire* | Mot de passe              |
| `port`     | int  | `3306`        | Numéro de port            |

**Exemples :**

```python theme={null}
ds = DataStore.from_mysql(
    host="localhost",
    database="mydb",
    table="users",
    user="root",
    password="password"
)

# Using URI
ds = DataStore.uri("mysql://root:password@localhost:3306/mydb/users")
```

<div id="from-postgresql">
  ### `from_postgresql`
</div>

Créer un DataStore à partir d’une base de données PostgreSQL.

```python theme={null}
DataStore.from_postgresql(host, database, table, user, password, port=5432, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_postgresql(
    host="localhost",
    database="mydb",
    table="users",
    user="postgres",
    password="password"
)

# Using URI
ds = DataStore.uri("postgresql://postgres:password@localhost:5432/mydb/users")
```

<div id="from-clickhouse">
  ### `from_clickhouse`
</div>

Créer un DataStore à partir du serveur ClickHouse.

```python theme={null}
DataStore.from_clickhouse(host, database, table, user=None, password=None, port=9000, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_clickhouse(
    host="localhost",
    database="default",
    table="hits",
    user="default",
    password=""
)

# Connection-level mode (explore databases)
ds = DataStore.from_clickhouse(
    host="analytics.company.com",
    user="analyst",
    password="secret"
)
ds.databases()                  # List databases
ds.tables("production")         # List tables
result = ds.sql("SELECT * FROM production.users LIMIT 10")
```

<div id="from-mongodb">
  ### `from_mongodb`
</div>

Crée un DataStore à partir de MongoDB.

```python theme={null}
DataStore.from_mongodb(uri, database, collection, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_mongodb(
    uri="mongodb://localhost:27017",
    database="mydb",
    collection="users"
)
```

<div id="from-sqlite">
  ### `from_sqlite`
</div>

Créez un DataStore à partir d’une base de données SQLite.

```python theme={null}
DataStore.from_sqlite(database_path, table, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_sqlite("data.db", table="users")

# Using URI
ds = DataStore.uri("sqlite:///data.db?table=users")
```

***

<div id="data-lakes">
  ## Lacs de données
</div>

<div id="from-iceberg">
  ### `from_iceberg`
</div>

Créer un DataStore à partir d’une table Iceberg Apache.

```python theme={null}
DataStore.from_iceberg(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_iceberg("/path/to/iceberg_table")
ds = DataStore.uri("iceberg://catalog/namespace/table")
```

<div id="from-delta">
  ### `from_delta`
</div>

Créer un DataStore à partir d’une table Delta Lake.

```python theme={null}
DataStore.from_delta(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_delta("/path/to/delta_table")
ds = DataStore.uri("deltalake:///path/to/delta_table")
```

<div id="from-hudi">
  ### `from_hudi`
</div>

Créer un DataStore à partir d’une table Apache Hudi.

```python theme={null}
DataStore.from_hudi(path, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_hudi("/path/to/hudi_table")
ds = DataStore.uri("hudi:///path/to/hudi_table")
```

***

<div id="in-memory">
  ## Sources en mémoire
</div>

<div id="from-df">
  ### `from_df` / `from_dataframe`
</div>

Créer un DataStore à partir d’un DataFrame pandas.

```python theme={null}
DataStore.from_df(df, name=None)
DataStore.from_dataframe(df, name=None)  # alias
```

**Exemples :**

```python theme={null}
import pandas
from chdb.datastore import DataStore

pdf = pandas.DataFrame({'a': [1, 2, 3], 'b': ['x', 'y', 'z']})
ds = DataStore.from_df(pdf)
```

<div id="dataframe-constructor">
  ### Constructeur `DataFrame`
</div>

Créez un DataStore à l’aide d’un constructeur similaire à ceux de pandas.

```python theme={null}
from chdb import datastore as pd

# From dictionary
ds = pd.DataFrame({
    'name': ['Alice', 'Bob'],
    'age': [25, 30]
})

# From pandas DataFrame
import pandas
pdf = pandas.DataFrame({'a': [1, 2, 3]})
ds = pd.DataFrame(pdf)
```

***

<div id="special-sources">
  ## Sources spéciales
</div>

<div id="from-numbers">
  ### `from_numbers`
</div>

Crée un DataStore avec des nombres séquentiels (utile pour les tests).

```python theme={null}
DataStore.from_numbers(count, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_numbers(1000000)  # 1M rows with 'number' column
result = ds.filter(ds['number'] % 2 == 0).head(10)  # Even numbers
```

<div id="from-random">
  ### `from_random`
</div>

Créez un DataStore à partir de données aléatoires.

```python theme={null}
DataStore.from_random(rows, columns, **kwargs)
```

**Exemples :**

```python theme={null}
ds = DataStore.from_random(rows=1000, columns=5)
```

<div id="run-sql">
  ### `run_sql`
</div>

Créer un DataStore à partir d’une requête Raw SQL.

```python theme={null}
DataStore.run_sql(query)
```

**Exemples :**

```python theme={null}
ds = DataStore.run_sql("""
    SELECT number, number * 2 as doubled
    FROM numbers(100)
    WHERE number % 10 = 0
""")
```

***

<div id="summary">
  ## Tableau récapitulatif
</div>

| Méthode             | Type de source           | Exemple                                                  |
| ------------------- | ------------------------ | -------------------------------------------------------- |
| `uri()`             | Universel                | `DataStore.uri("s3://bucket/data.parquet")`              |
| `from_file()`       | Fichiers locaux/distants | `DataStore.from_file("data.csv")`                        |
| `read_csv()`        | Fichiers CSV             | `pd.read_csv("data.csv")`                                |
| `read_parquet()`    | Fichiers Parquet         | `pd.read_parquet("data.parquet")`                        |
| `from_s3()`         | Amazon S3                | `DataStore.from_s3("s3://bucket/path")`                  |
| `from_gcs()`        | Google Cloud Storage     | `DataStore.from_gcs("gs://bucket/path")`                 |
| `from_azure()`      | Azure Blob               | `DataStore.from_azure("az://container/path")`            |
| `from_hdfs()`       | HDFS                     | `DataStore.from_hdfs("hdfs://host/path")`                |
| `from_url()`        | HTTP/HTTPS               | `DataStore.from_url("https://example.com/data.csv")`     |
| `from_mysql()`      | MySQL                    | `DataStore.from_mysql(host, db, table, user, pass)`      |
| `from_postgresql()` | PostgreSQL               | `DataStore.from_postgresql(host, db, table, user, pass)` |
| `from_clickhouse()` | ClickHouse               | `DataStore.from_clickhouse(host, db, table)`             |
| `from_mongodb()`    | MongoDB                  | `DataStore.from_mongodb(uri, db, collection)`            |
| `from_sqlite()`     | SQLite                   | `DataStore.from_sqlite("data.db", table)`                |
| `from_iceberg()`    | Apache Iceberg           | `DataStore.from_iceberg("/path/to/table")`               |
| `from_delta()`      | Delta Lake               | `DataStore.from_delta("/path/to/table")`                 |
| `from_hudi()`       | Apache Hudi              | `DataStore.from_hudi("/path/to/table")`                  |
| `from_df()`         | pandas DataFrame         | `DataStore.from_df(pandas_df)`                           |
| `DataFrame()`       | Dictionnaire / DataFrame | `pd.DataFrame({'a': [1, 2, 3]})`                         |
| `from_numbers()`    | Nombres séquentiels      | `DataStore.from_numbers(1000000)`                        |
| `from_random()`     | Données aléatoires       | `DataStore.from_random(rows=1000, columns=5)`            |
| `run_sql()`         | SQL brut                 | `DataStore.run_sql("SELECT * FROM ...")`                 |