ray.data.read_parquet_bulk#

ray.data.read_parquet_bulk(paths: str | List[str], *, filesystem: pyarrow.fs.FileSystem | None = None, columns: List[str] | None = None, parallelism: int = -1, ray_remote_args: Dict[str, Any] = None, arrow_open_file_args: Dict[str, Any] | None = None, tensor_column_schema: Dict[str, Tuple[numpy.dtype, Tuple[int, ...]]] | None = None, meta_provider: BaseFileMetadataProvider | None = None, partition_filter: PathPartitionFilter | None = None, shuffle: Literal['files'] | None = None, include_paths: bool = False, file_extensions: List[str] | None = ['parquet'], concurrency: int | None = None, override_num_blocks: int | None = None, **arrow_parquet_args) → Dataset[源代码]#

从 parquet 文件创建 Dataset 而不读取元数据。

在大多数情况下使用 read_parquet()。

如果所有提供的路径都指向文件，并且使用 read_parquet() 获取元数据耗时过长或 parquet 文件没有统一的架构，请使用 read_parquet_bulk()。

当使用此方法处理非常大的 parquet 文件时，可能会出现性能下降。

警告

只提供文件路径作为输入（即，不提供目录路径）。如果一个或多个路径指向目录，则会引发 OSError。如果你的用例需要目录路径，请改用 read_parquet()。

示例

读取多个本地文件。当已知时，应始终仅提供输入文件路径（即没有目录路径）以最小化读取延迟。

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

  • paths – 单个文件路径或文件路径列表。

  • 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。如果你需要为文件系统提供特定的配置，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。

  • columns – 要读取的列名列表。在文件扫描期间仅读取指定的列。

  • 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_file_args – 传递给 pyarrow.fs.FileSystem.open_input_file 的 kwargs，用于打开输入文件进行读取。

  • tensor_column_schema – 一个字典，包含列名到 PyArrow 数据类型和形状映射，用于将包含序列化张量（ndarrays）的 Parquet 列转换为 PyArrow 张量。此函数假设张量以 C 连续顺序的原始 NumPy 数组格式序列化（例如通过 arr.tobytes()）。

  • 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与“.parquet”不匹配的任何文件路径。

  • 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_parquet_args – 其他传递给 PyArrow 的 Parquet 读取选项。有关完整的参数集，请参阅 PyArrow API

  • 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。

  • 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。