python - 如何使用 Arrow 对 CSV 进行分块?
问题描述
我想要做什么
我正在使用PyArrow读取一些 CSV 并将它们转换为 Parquet。我阅读的一些文件有很多列并且内存占用很高(足以使运行该作业的机器崩溃)。我试图在读取 CSV 时对文件进行分块,其方式与 Pandas read_csv的chunksize
工作方式类似。
例如,这就是分块代码在 pandas 中的工作方式:
chunks = pandas.read_csv(data, chunksize=100, iterator=True)
# Iterate through chunks
for chunk in chunks:
do_stuff(chunk)
我想将类似的功能移植到 Arrow
我试图做的
我注意到 Arrow 具有包含参数的ReadOptionsblock_size
,我想也许我可以像这样使用它:
# Reading in-memory csv file
arrow_table = arrow_csv.read_csv(
input_file=input_buffer,
read_options=arrow_csv.ReadOptions(
use_threads=True,
block_size=4096
)
)
# Iterate through batches
for batch in arrow_table.to_batches():
do_stuff(batch)
由于 this ( block_size
) 似乎没有返回迭代器,我的印象是这仍然会使 Arrow 读取内存中的整个表,从而重新创建我的问题。
最后,我知道我可以先使用 Pandas 读取 csv 并对其进行分块,然后转换为箭头表。但我试图避免使用熊猫,只使用箭头。
如果需要,我很乐意提供更多信息
解决方案
您正在寻找的函数是pyarrow.csv.open_csv
返回一个pyarrow.csv.CSVStreamingReader
. 批次的大小将由block_size
您注意到的选项控制。对于一个完整的例子:
import pyarrow as pa
import pyarrow.parquet as pq
import pyarrow.csv
in_path = '/home/pace/dev/benchmarks-proj/benchmarks/data/nyctaxi_2010-01.csv.gz'
out_path = '/home/pace/dev/benchmarks-proj/benchmarks/data/temp/iterative.parquet'
convert_options = pyarrow.csv.ConvertOptions()
convert_options.column_types = {
'rate_code': pa.utf8(),
'store_and_fwd_flag': pa.utf8()
}
writer = None
with pyarrow.csv.open_csv(in_path, convert_options=convert_options) as reader:
for next_chunk in reader:
if next_chunk is None:
break
if writer is None:
writer = pq.ParquetWriter(out_path, next_chunk.schema)
next_table = pa.Table.from_batches([next_chunk])
writer.write_table(next_table)
writer.close()
此示例还强调了流式 CSV 阅读器引入的挑战之一。它需要返回具有一致数据类型的批次。但是,在解析 CSV 时,您通常需要推断数据类型。在我的示例数据中,文件的前几 MB 具有列的整数值rate_code
。在批次中间的某处,该列有一个非整数值(*
在本例中)。要解决此问题,您可以像我在这里所做的那样预先指定列的类型。
推荐阅读
- spring - 由于嵌入式 Elasticsearch,测试执行会持续很长时间
- android - DialogFragment 显示时是否有回调?
- java - 为什么值没有增加 int Firebase 数据库
- python - 在 Selenium 中选择带有样式标签和文本的元素
- python - 如何在 Python 中合并具有相同 ID 的多个列表中的元素?
- numpy - 如何计算每个多边形具有不同坐标的大量多边形的面积
- reactjs - 无法将 React 应用程序部署到 Heroku:项目依赖树的问题
- r - 将公历日期转换为农历日期
- google-cloud-platform - 在 ExecuteScript 中使用控制器服务
- android - 如何使用 androidyoutubeplayer 库在模板上显示播放器?