脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - 用 Python 定义 Schema 并生成 Parquet 文件详情

用 Python 定义 Schema 并生成 Parquet 文件详情

2022-01-11 00:32Yanbin Blog Python

本文将演示两个例子,一个是没有层级的两个字段,另一个是含于嵌套级别的字段,将要使用到的 Python 模块有 pandas 和 pyarrow,感兴趣是我小伙伴请和小编一起学习下面文章内容吧

Java Python 实现 Avro 转换成 Parquet 格式, chema 都是在 Avro 中定义的。这里要尝试的是如何定义 Parquet Schema, 然后据此填充数据并生成 Parquet 文件。

一、简单字段定义

1、定义 Schema 并生成 Parquet 文件

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq
 
# 定义 Schema
schema = pa.schema([
    ('id', pa.int32()),
    ('email', pa.string())
])
 
# 准备数据
ids = pa.array([1, 2], type = pa.int32())
emails = pa.array(['first@example.com', 'second@example.com'], pa.string())
 
# 生成 Parquet 数据
batch = pa.RecordBatch.from_arrays(
    [ids, emails],
    schema = schema
)
table = pa.Table.from_batches([batch])
 
# 写 Parquet 文件 plain.parquet
pq.write_table(table, 'plain.parquet')
import pandas as pd
 
import pyarrow as pa
 
import pyarrow . parquet as pq
 
# 定义 Schema
 
schema = pa . schema ( [
 
     ( 'id' , pa . int32 ( ) ) ,
 
     ( 'email' , pa . string ( ) )
 
] )
 
# 准备数据
 
ids = pa . array ( [ 1 , 2 ] , type = pa . int32 ( ) )
 
emails = pa . array ( [ 'first@example.com' , 'second@example.com' ] , pa . string ( ) )
 
# 生成 Parquet 数据
 
batch = pa . RecordBatch . from_arrays (
 
     [ ids , emails ] ,
 
     schema = schema
 
)
 
table = pa . Table . from_batches ( [ batch ] )
 
# 写 Parquet 文件 plain.parquet
 
pq . write_table ( table , 'plain.parquet' )

2、验证 Parquet 数据文件

我们可以用工具 parquet-tools 来查看 plain.parquet 文件的数据和 Schema

?
1
$ parquet-tools schema plain.parquet  message schema {      optional int32 id;      optional binary email (STRING);  }  $ parquet-tools cat --json plain.parquet  {"id":1,"email":"first@example.com"}  {"id":2,"email":"second@example.com"}

没问题,与我们期望的一致。也可以用 pyarrow 代码来获取其中的 Schema 和数据

?
1
2
3
4
5
6
7
8
9
10
11
12
schema = pq.read_schema('plain.parquet')
print(schema)
 
df = pd.read_parquet('plain.parquet')
print(df.to_json())
schema = pq . read_schema ( 'plain.parquet' )
 
print ( schema )
 
df = pd . read_parquet ( 'plain.parquet' )
 
print ( df . to_json ( ) )

输出为:

 

?
1
2
3
4
5
6
7
8
9
10
11
12
schema = pq.read_schema('plain.parquet')
print(schema)
 
df = pd.read_parquet('plain.parquet')
print(df.to_json())
schema = pq . read_schema ( 'plain.parquet' )
 
print ( schema )
 
df = pd . read_parquet ( 'plain.parquet' )
 
print ( df . to_json ( ) )

二、含嵌套字段定义

下面的 Schema 定义加入一个嵌套对象,在 address 下分 email_address post_addressSchema 定义及生成 Parquet 文件的代码如下

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq
 
# 内部字段
address_fields = [
    ('email_address', pa.string()),
    ('post_address', pa.string()),
]
 
# 定义 Parquet Schema,address 嵌套了 address_fields
schema = pa.schema(j)
 
# 准备数据
ids = pa.array([1, 2], type = pa.int32())
addresses = pa.array(
    [('first@example.com', 'city1'), ('second@example.com', 'city2')],
    pa.struct(address_fields)
)
 
# 生成 Parquet 数据
batch = pa.RecordBatch.from_arrays(
    [ids, addresses],
    schema = schema
)
table = pa.Table.from_batches([batch])
 
# 写 Parquet 数据到文件
pq.write_table(table, 'nested.parquet')
import pandas as pd
 
import pyarrow as pa
 
import pyarrow . parquet as pq
 
# 内部字段
 
address_fields = [
 
     ( 'email_address' , pa . string ( ) ) ,
 
     ( 'post_address' , pa . string ( ) ) ,
 
]
 
# 定义 Parquet Schema,address 嵌套了 address_fields
 
schema = pa . schema ( j )
 
# 准备数据
 
ids = pa . array ( [ 1 , 2 ] , type = pa . int32 ( ) )
 
addresses = pa . array (
 
     [ ( 'first@example.com' , 'city1' ) , ( 'second@example.com' , 'city2' ) ] ,
 
     pa . struct ( address_fields )
 
)
 
# 生成 Parquet 数据
 
batch = pa . RecordBatch . from_arrays (
 
     [ ids , addresses ] ,
 
     schema = schema
 
)
 
table = pa . Table . from_batches ( [ batch ] )
 
# 写 Parquet 数据到文件
 
pq . write_table ( table , 'nested.parquet' )

1、验证 Parquet 数据文件

同样用 parquet-tools 来查看下 nested.parquet 文件

?
1
$ parquet-tools schema nested.parquet  message schema {      optional int32 id;      optional group address {          optional binary email_address (STRING);          optional binary post_address (STRING);      }  }  $ parquet-tools cat --json nested.parquet  {"id":1,"address":{"email_address":"first@example.com","post_address":"city1"}}  {"id":2,"address":{"email_address":"second@example.com","post_address":"city2"}}

parquet-tools 看到的 Schama 并没有 struct 的字样,但体现了它 address 与下级属性的嵌套关系。

pyarrow 代码来读取 nested.parquet 文件的 Schema 和数据是什么样子

?
1
2
3
4
5
6
7
8
9
10
11
12
schema = pq.read_schema("nested.parquet")
print(schema)
 
df = pd.read_parquet('nested.parquet')
print(df.to_json())
schema = pq . read_schema ( "nested.parquet" )
 
print ( schema )
 
df = pd . read_parquet ( 'nested.parquet' )
 
print ( df . to_json ( ) )

输出:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
id: int32
  -- field metadata --
  PARQUET:field_id: '1'
address: struct<email_address: string, post_address: string>
  child 0, email_address: string
    -- field metadata --
    PARQUET:field_id: '3'
  child 1, post_address: string
    -- field metadata --
    PARQUET:field_id: '4'
  -- field metadata --
  PARQUET:field_id: '2'
{"id":{"0":1,"1":2},"address":{"0":{"email_address":"first@example.com","post_address":"city1"},"1":{"email_address":"second@example.com","post_address":"city2"}}}
id : int32
 
   -- field metadata --
 
   PARQUET : field_id : '1'
 
address : struct & lt ; email_address : string , post_address : string & gt ;
 
   child 0 , email_address : string
 
     -- field metadata --
 
     PARQUET : field_id : '3'
 
   child 1 , post_address : string
 
     -- field metadata --
 
     PARQUET : field_id : '4'
 
   -- field metadata --
 
   PARQUET : field_id : '2'
 
{ "id" : { "0" : 1 , "1" : 2 } , "address" : { "0" : { "email_address" : "first@example.com" , "post_address" : "city1" } , "1" : { "email_address" : "second@example.com" , "post_address" : "city2" } } }

数据当然是一样的,有略微不同的是显示的 Schema 中, address 标识为 struct<email_address: string, post_address: string> , 明确的表明它是一个 struct 类型,而不是只展示嵌套层次。

到此这篇关于用 Python 定义 Schema 并生成 Parquet 文件详情的文章就介绍到这了,更多相关用 Python 定义 Schema 并生成 Parquet 文件内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家!

原文链接:https://www.tuicool.com/articles/mEfMZrM

延伸 · 阅读

精彩推荐