Parquet

• DolphinDB Server: 2.00.10及更高版本
• OS: Linux

1. 在DolphinDB 客户端中使用 listRemotePlugins 命令查看插件仓库中的插件信息。

   login("admin", "123456")
   listRemotePlugins()

2. 使用 installPlugin 命令完成插件安装。

   installPlugin("parquet")

3. 使用 loadPlugin 命令加载插件。

   loadPlugin("parquet")

语法

parquet::extractParquetSchema(fileName)

参数

• fileName: Parquet 文件名，类型为字符串标量。

详情

获取 Parquet 文件的结构，返回两列：列名和数据类型。

例子

parquet::extractParquetSchema("userdata1.parquet")

语法

parquet::loadParquet(fileName,[schema],[column],[rowGroupStart],[rowGroupNum])

参数

• fileName: Parquet 文件名，类型为字符串标量。
• schema: 可选参数，必须是包含列名和列数据类型的表。通过设置该参数，可改变系统自动生成的列数据类型。
• column: 可选参数，整数向量，表示要读取的列索引。若不指定，读取所有列。
• rowGroupStart: 可选参数，是一个非负整数。从哪一个 row group 开始读取 Parquet 文件。若不指定，默认从文件起始位置读取。
• rowGroupNum: 可选参数，要读取 row group 的数量。若不指定，默认读到文件的结尾。

详情

将 Parquet 文件数据加载为 DolphinDB 数据库的内存表。关于 Parquet 数据类型及在 DolphinDB 中的转化规则，参见下文数据类型章节。

例子

parquet::loadParquet("userdata1.parquet")

语法

parquet::loadParquetEx(dbHandle,tableName,partitionColumns,fileName,[schema],[column],[rowGroupStart],[rowGroupNum],[tranform])

参数

• dbHandle：数据库句柄
• tableName：一个字符串，表示表的名称。
• partitionColumns: 字符串标量或向量，表示分区列。在组合分区中，该参数是字符串向量。
• fileName：Parquet 文件名，类型为字符串标量。
• schema: 可选参数，必须是包含列名和列数据类型的表。通过设置该参数，可改变系统自动生成的列数据类型。
• column: 可选参数，整数向量，表示读取的列索引。若不指定，读取所有列。
• rowGroupStart: 可选参数，从哪一个 row group 开始读取 Parquet 文件。若不指定，默认从文件起始位置读取。
• rowGroupNum: 可选参数，要读取 row group 的数量。若不指定，默认读到文件的结尾。
• tranform: 可选参数，为一元函数，且该函数接受的参数必须是一个表。如果指定了 transform 参数，需要先创建分区表，再加载数据，程序会对数据文件中的数据执行 transform 参数指定的函数，再将得到的结果保存到分区表中。

详情

将 Parquet 文件数据加载到 DolphinDB 数据库的分区表，返回该表的元数据。 

• 如果要将数据文件加载到分布式数据库或本地磁盘数据库中，必须指定 dbHandle，并且不能为空字符串。

• 如果要将数据文件加载到内存数据库中，那么 dbHandle 为空字符串或者不指定 dbHandle。

关于 Parquet 数据类型及在 DolphinDB 中的转化规则，参见下文数据类型章节。

例子

• dfs 分区表

  db = database("dfs://rangedb", RANGE, 0 500 1000)
  parquet::loadParquetEx(db,`tb,`id,"userdata1.parquet")

• 分区内存表

  db = database("", RANGE, 0 500 1000)
  parquet::loadParquetEx(db,`tb,`id,"userdata1.parquet")

• 指定参数 transform，将数值类型表示的日期和时间（如：20200101）转化为指定类型（比如：日期类型）

  dbPath="dfs://DolphinDBdatabase"
  db=database(dbPath,VALUE,2020.01.01..2020.01.30)
  dataFilePath="level.parquet"
  schemaTB=parquet::extractParquetSchema(dataFilePath)
  update schemaTB set type="DATE" where name="date"
  tb=table(1:0,schemaTB.name,schemaTB.type)
  tb1=db.createPartitionedTable(tb,`tb1,`date);
  def i2d(mutable t){
      return t.replaceColumn!(`date,datetimeParse(t.date),"yyyy.MM.dd"))
  }
  t = parquet::loadParquetEx(db,`tb1,`date,dataFilePath,datasetName,,,,i2d)

语法

parquet::parquetDS(fileName,[schema])

参数

• fileName: Parquet 文件名，类型为字符串标量。
• schema: 可选参数，必须是包含列名和列数据类型的表。通过设置该参数，可改变系统自动生成的列数据类型。

详情

根据输入的 Parquet 文件名创建数据源列表，生成的数据源数量等价于 row group 的数量。

例子

 ds = parquet::parquetDS("userdata1.parquet")
 size ds;
1
 ds[0];
DataSource< loadParquet("userdata1.parquet",,,0,1) >

语法

parquet::saveParquet(table, fileName, [compression])

参数

• table: 要保存的表

• fileName: 保存的文件名，类型为字符串标量

• compression：压缩格式。类型为字符串标量。支持snappy, gzip, zstd, 默认为不压缩。

详情

将 DolphinDB 中的表以 Parquet 格式保存到文件中。

例子

parquet::saveParquet(tb, "userdata1.parquet")

parquet::setReadThreadNum

语法

参数

num：最大的读取线程数。

• 默认为1，表示不额外创建线程，在当前线程读取 parquet 文件。
• 如果大于1，则会将读取 parquet 文件的任务分成 num 份，即最大的读取线程数为 num。
• 如果等于0，则每一列的读取都会作为 ploop 的任务。

详情

用于设置是否需要并发读取 parquet 文件和读取 parquet 的最大线程数。

注意：因为 parquet 插件内部会调用 ploop 函数按列分组并行读取 parquet 文件，所以实际读取 parquet 文件的并发度也受 DolphinDB 的 worker 参数限制。

例子

parquet::setReadThreadNum(0)

语法

parquet::getReadThreadNum()

详情

获取 parquet 插件的最大读线程数。

例子

parquet::getReadThreadNum()

DolphinDB 在导入 Parquet 数据时，优先按照源文件中定义的 LogicalType 转换相应的数据类型。如果没有定义 LogicalType 或 ConvertedType，则只根据原始数据类型（physical type）转换。

请注意：

• 暂不支持转化 Parquet 中的 repeated 字段。
• 在 Parquet 中标注了 DECIMAL 类型的字段中，仅支持转化原始数据类型（physical type）为 INT32, INT64 和 FIXED_LEN_BYTE_ARRAY 的数据。
• 由于 DolphinDB 不支持无符号类型，所以读取 Parquet 中的 UINT_64 时若发生溢出，则会取 DolphinDB 中的 NULL 值。

将 DolphinDB 数据导出为 Parquet 文件时，系统根据给出表的结构自动转换到 Parquet 文件支持的类型。