将 Arrow 模式与 parquet StreamWriter 结合使用

Question

我正在尝试使用StreamWriterApache Arrow 提供的 C++ 类。

唯一的使用示例StreamWriter使用低级 Parquet API，即

parquet::schema::NodeVector fields;

fields.push_back(parquet::schema::PrimitiveNode::Make(
  "string_field", parquet::Repetition::OPTIONAL, parquet::Type::BYTE_ARRAY,
  parquet::ConvertedType::UTF8));

fields.push_back(parquet::schema::PrimitiveNode::Make(
   "char_field", parquet::Repetition::REQUIRED, parquet::Type::FIXED_LEN_BYTE_ARRAY,
   parquet::ConvertedType::NONE, 1));

auto node = std::static_pointer_cast<parquet::schema::GroupNode>(
   parquet::schema::GroupNode::Make("schema", parquet::Repetition::REQUIRED, fields));

最终结果是 a std::shared_ptr<parquet::schema::GroupNode>，然后可以将其传递到StreamWriter.

是否可以构建和使用“高级”箭头模式StreamWriter？使用该函数（非流式传输）时支持它们WriteTable，但我没有发现它与流式 API 一起使用的示例。

当然，我可以求助于使用低级 API，但在创建大型且复杂的模式时它非常冗长，我更喜欢（但不需要）使用高级 Arrow 模式机制。

例如，

std::shared_ptr<arrow::io::FileOutputStream> outfile_;
PARQUET_ASSIGN_OR_THROW(outfile_, arrow::io::FileOutputStream::Open("test.parquet"));

// construct an arrow schema
auto schema = arrow::schema({arrow::field("field1", arrow::int64()),
                                   arrow::field("field2", arrow::float64()),
                                   arrow::field("field3", arrow::float64())});

// build the writer properties
parquet::WriterProperties::Builder builder;
auto properties = builder.build()

// my current best attempt at converting the Arrow schema to a Parquet schema
std::shared_ptr<parquet::SchemaDescriptor> parquet_schema;
parquet::arrow::ToParquetSchema(schema.get(), *properties, &parquet_schema); // parquet_schema is now populated

// and now I try and build the writer - this fails
auto writer = parquet::ParquetFileWriter::Open(outfile_, parquet_schema->group_node(), properties);

最后一行失败，因为parquet_schema->group_node()（这是我知道访问模式的唯一方法GroupNode）返回 aconst GroupNode*而ParquetFileWriter::Open)需要 a std::shared_ptr<GroupNode>。

我不确定放弃返回的组节点的常量并强制其进入调用::Open()是否是官方支持的（或正确的）用法StreamWriter。

我想做的事情可能吗？

Answer 1

看来您需要为 StreamWriter 使用低级 api。

一个非常棘手的方法：

auto writer = parquet::ParquetFileWriter::Open(outfile_, std::shared_ptr<parquet::schema::GroupNode>(const_cast<parquet::schema::GroupNode *>(parquet_schema->group_node())), properties);

您可能需要手动转换模式。

源代码 cpp/src/parquet/arrow/schema.cc可能对你有帮助。

PARQUET_EXPORT
::arrow::Status ToParquetSchema(const ::arrow::Schema* arrow_schema,
                                const WriterProperties& properties,
                                std::shared_ptr<SchemaDescriptor>* out);