ray.data.读取二进制文件#

ray.data.read_binary_files(paths: str | List[str], *, include_paths: bool = False, filesystem: pyarrow.fs.FileSystem | None = None, parallelism: int = -1, ray_remote_args: Dict[str, Any] = None, arrow_open_stream_args: Dict[str, Any] | None = None, meta_provider: BaseFileMetadataProvider | None = None, partition_filter: PathPartitionFilter | None = None, partitioning: Partitioning = None, ignore_missing_paths: bool = False, shuffle: Literal['files'] | None = None, file_extensions: List[str] | None = None, concurrency: int | None = None, override_num_blocks: int | None = None) → Dataset[源代码]#

从任意内容的二进制文件创建一个 Dataset。

示例

读取远程存储中的文件。

>>> import ray
>>> path = "s3://anonymous@ray-example-data/pdf-sample_0.pdf"
>>> ds = ray.data.read_binary_files(path)
>>> ds.schema()
Column  Type
------  ----
bytes   binary

读取多个本地文件。

>>> ray.data.read_binary_files( 
...     ["local:///path/to/file1", "local:///path/to/file2"])

读取一个文件，文件路径作为数据集中的一个列包含在内。

>>> path = "s3://anonymous@ray-example-data/pdf-sample_0.pdf"
>>> ds = ray.data.read_binary_files(path, include_paths=True)
>>> ds.take(1)[0]["path"]
'ray-example-data/pdf-sample_0.pdf'
参数:

  • paths – 单个文件或目录，或文件或目录路径的列表。路径列表可以同时包含文件和目录。

  • include_paths – 如果 True，则包含每个文件的路径。文件路径存储在 'path' 列中。

  • filesystem – 用于读取的 PyArrow 文件系统实现。这些文件系统在 PyArrow 文档 中指定。如果需要为文件系统提供特定配置，请指定此参数。默认情况下，文件系统会根据路径的方案自动选择。例如，如果路径以 s3:// 开头，则使用 S3FileSystem。

  • ray_remote_args – 传递给读取任务中 remote() 的 kwargs。

  • parallelism – 此参数已弃用。请使用 override_num_blocks 参数。

  • arrow_open_stream_args – 传递给 pyarrow.fs.FileSystem.open_input_file 的 kwargs。

  • meta_provider – 一个 文件元数据提供者 。自定义元数据提供者可能能够更快和/或更准确地解析文件元数据。在大多数情况下，您不需要设置此项。如果为 None ，此函数使用系统选择的实现。

  • partition_filter – 一个 PathPartitionFilter。与自定义回调一起使用，以仅读取数据集的选定分区。默认情况下，不筛选任何文件。默认情况下，不会筛选出任何文件。

  • partitioning – 一个描述路径如何组织的 Partitioning 对象。默认为 None。

  • ignore_missing_paths – 如果为 True，则忽略 paths 中未找到的任何文件路径。默认为 False。

  • shuffle – 如果设置为“files”，则在读取前随机打乱输入文件的顺序。默认不进行打乱，设置为 None。

  • file_extensions – 用于过滤文件的文件扩展名列表。

  • concurrency – Ray 任务的最大并发运行数量。设置此项以控制并发运行的任务数量。这不会改变运行的总任务数或输出的总块数。默认情况下，并发性是根据可用资源动态决定的。

  • override_num_blocks – 覆盖所有读取任务的输出块数量。默认情况下，输出块的数量是根据输入数据大小和可用资源动态决定的。在大多数情况下，您不应手动设置此值。

返回:

Dataset 生成从指定路径读取的行。