ray.data.读取文本#

ray.data.read_text(paths: str | List[str], *, encoding: str = 'utf-8', drop_empty_lines: bool = True, filesystem: pyarrow.fs.FileSystem | None = None, parallelism: int = -1, ray_remote_args: Dict[str, Any] | None = None, arrow_open_stream_args: Dict[str, Any] | None = None, meta_provider: BaseFileMetadataProvider | None = None, partition_filter: PathPartitionFilter | None = None, partitioning: Partitioning = None, include_paths: bool = False, 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]#

从存储在文本文件中的行创建一个 Dataset。

示例

读取远程存储中的文件。

>>> import ray
>>> ds = ray.data.read_text("s3://anonymous@ray-example-data/this.txt")
>>> ds.schema()
Column  Type
------  ----
text    string

读取多个本地文件。

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

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。
encoding – 文件的编码（例如，“utf-8”或“ascii”）。
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 remote() 的 kwargs 在读取任务中以及在后续的文本解码映射任务中。
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，不筛选任何文件。
partitioning – 一个描述路径如何组织的 Partitioning 对象。默认为 None。
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。
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 从指定路径读取文本行。