私は BigData の初心者です。/ ファイルを Parquet 形式に変換する必要があります。いろいろ検索しましたが、直接的な方法は見つかりませんでした。それを実現する方法はありますか.csv
?.txt
ベストアンサー1
すでに投稿しました答えApache Drillを使用してこれを行う方法については、こちらをご覧ください。ただし、Pythonに精通している場合は、パンダそしてピヤロー!
依存関係をインストールする
使用方法pip
:
pip install pandas pyarrow
または以下を使用しますconda
:
conda install pandas pyarrow -c conda-forge
CSV をチャンク単位で Parquet に変換する
# csv_to_parquet.py
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq
csv_file = '/path/to/my.tsv'
parquet_file = '/path/to/my.parquet'
chunksize = 100_000
csv_stream = pd.read_csv(csv_file, sep='\t', chunksize=chunksize, low_memory=False)
for i, chunk in enumerate(csv_stream):
print("Chunk", i)
if i == 0:
# Guess the schema of the CSV file from the first chunk
parquet_schema = pa.Table.from_pandas(df=chunk).schema
# Open a Parquet file for writing
parquet_writer = pq.ParquetWriter(parquet_file, parquet_schema, compression='snappy')
# Write CSV chunk to the parquet file
table = pa.Table.from_pandas(chunk, schema=parquet_schema)
parquet_writer.write_table(table)
parquet_writer.close()
このコードを Apache Drill バージョンと比較したことはありません。しかし、私の経験では、1 秒あたり数万行を変換するほど十分に高速です (もちろん、これは CSV ファイルによって異なります)。
編集:
CSVファイルをPyArrowテーブルに直接読み込むことができるようになりました。pyarrow.csv.read_csv
柔軟性は劣るものの、おそらく Pandas CSV リーダーを使用するよりも高速です。