ray.data.read_json#

ray.data.read_json(paths: str | List[str], *, 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 = Partitioning(style='hive', base_dir='', field_names=None, filesystem=None), include_paths: bool = False, ignore_missing_paths: bool = False, shuffle: Literal['files'] | None = None, file_extensions: List[str] | None = ['json', 'jsonl'], concurrency: int | None = None, override_num_blocks: int | None = None, **arrow_json_args) → Dataset[源代码]#

从 JSON 和 JSONL 文件创建 Dataset。

对于JSON文件，整个文件被读取为一行。对于JSONL文件，文件的每一行被读取为单独的一行。

示例

读取远程存储中的JSON文件。

>>> import ray
>>> ds = ray.data.read_json("s3://anonymous@ray-example-data/log.json")
>>> ds.schema()
Column     Type
------     ----
timestamp  timestamp[...]
size       int64

读取远程存储中的JSONL文件。

>>> ds = ray.data.read_json("s3://anonymous@ray-example-data/train.jsonl")
>>> ds.schema()
Column  Type
------  ----
input   string

读取多个本地文件。

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

读取多个目录。

>>> ray.data.read_json( 
...     ["s3://bucket/path1", "s3://bucket/path2"])

默认情况下，read_json() 从文件路径解析 Hive 风格的分区。如果你的数据遵循不同的分区方案，请设置 partitioning 参数。

>>> ds = ray.data.read_json("s3://anonymous@ray-example-data/year=2022/month=09/sales.json")
>>> ds.take(1)
[{'order_number': 10107, 'quantity': 30, 'year': '2022', 'month': '09'}]

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。
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。
parallelism – 此参数已弃用。请使用 override_num_blocks 参数。
ray_remote_args – 传递给读取任务中 remote() 的 kwargs。
arrow_open_stream_args – 传递给 pyarrow.fs.FileSystem.open_input_file 的 kwargs，用于打开输入文件进行读取。
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，这将过滤掉文件扩展名不匹配“.json”或“.jsonl”的任何文件路径。
partitioning – 一个描述路径组织方式的 Partitioning 对象。默认情况下，此函数解析 Hive 风格的分区。
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。
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”，在读取前随机打乱输入文件的顺序。默认不进行打乱，使用 None。
arrow_json_args – 读取 JSON 的选项，传递给 pyarrow.json.read_json。
file_extensions – 用于筛选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 从指定路径读取记录并生成数据集。