如何查询 Parquet 文件
世界上的大量数据存储在 Amazon S3 存储桶中。在本指南中，我们将学习如何使用 chDB 查询这些数据。
设置
让我们首先创建一个虚拟环境
python -m venv .venv
source .venv/bin/activate
现在我们将安装 chDB。请确保您安装的是 2.0.2 或更高版本
pip install "chdb>=2.0.2"
现在我们将安装 IPython
pip install ipython
我们将使用 `ipython` 来运行本指南其余部分中的命令，您可以通过运行以下命令启动它
ipython
您也可以在 Python 脚本或您喜欢的 notebook 中使用代码。
探索 Parquet 元数据
我们将探索来自 Amazon 评论数据集的 Parquet 文件。但首先，让我们安装 chDB
import chdb
在查询 Parquet 文件时，我们可以使用 `ParquetMetadata` 输入格式，使其返回 Parquet 元数据而不是文件内容。让我们使用 `DESCRIBE` 子句来查看当我们使用此格式时返回的字段
query = """
DESCRIBE s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
SETTINGS describe_compact_output=1
"""
chdb.query(query, 'TabSeparated')
num_columns UInt64
num_rows UInt64
num_row_groups UInt64
format_version String
metadata_size UInt64
total_uncompressed_size UInt64
total_compressed_size UInt64
columns Array(Tuple(name String, path String, max_definition_level UInt64, max_repetition_level UInt64, physical_type String, logical_type String, compression String, total_uncompressed_size UInt64, total_compressed_size UInt64, space_saved String, encodings Array(String)))
row_groups Array(Tuple(num_columns UInt64, num_rows UInt64, total_uncompressed_size UInt64, total_compressed_size UInt64, columns Array(Tuple(name String, path String, total_compressed_size UInt64, total_uncompressed_size UInt64, have_statistics Bool, statistics Tuple(num_values Nullable(UInt64), null_count Nullable(UInt64), distinct_count Nullable(UInt64), min Nullable(String), max Nullable(String))))))
现在让我们看一下此文件的元数据。 `columns` 和 `row_groups` 都包含包含许多属性的元组数组，因此我们暂时排除这些。
query = """
SELECT * EXCEPT(columns, row_groups)
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
"""
chdb.query(query, 'Vertical')
Row 1:
──────
num_columns: 15
num_rows: 41905631
num_row_groups: 42
format_version: 2.6
metadata_size: 79730
total_uncompressed_size: 14615827169
total_compressed_size: 9272262304
从此输出中，我们了解到此 Parquet 文件有超过 4000 万行，分布在 42 个行组中，每行数据有 15 列。行组是将数据水平逻辑分区为行的形式。每个行组都有相关的元数据，查询工具可以利用这些元数据来高效地查询文件。
让我们看一下其中一个行组
query = """
WITH rowGroups AS (
SELECT rg
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
ARRAY JOIN row_groups AS rg
LIMIT 1
)
SELECT tupleElement(c, 'name') AS name, tupleElement(c, 'total_compressed_size') AS total_compressed_size,
tupleElement(c, 'total_uncompressed_size') AS total_uncompressed_size,
tupleElement(tupleElement(c, 'statistics'), 'min') AS min,
tupleElement(tupleElement(c, 'statistics'), 'max') AS max
FROM rowGroups
ARRAY JOIN tupleElement(rg, 'columns') AS c
"""
chdb.query(query, 'DataFrame')
name total_compressed_size total_uncompressed_size min max
0 review_date 493 646 16455 16472
1 marketplace 66 64 US US
2 customer_id 5207967 7997207 10049 53096413
3 review_id 14748425 17991290 R10004U8OQDOGE RZZZUTBAV1RYI
4 product_id 8003456 13969668 0000032050 BT00DDVMVQ
5 product_parent 5758251 7974737 645 999999730
6 product_title 41068525 63355320 ! Small S 1pc Black 1pc Navy (Blue) Replacemen... 🌴 Vacation On The Beach
7 product_category 1726 1815 Apparel Pet Products
8 star_rating 369036 374046 1 5
9 helpful_votes 538940 1022990 0 3440
10 total_votes 610902 1080520 0 3619
11 vine 11426 125999 0 1
12 verified_purchase 102634 125999 0 1
13 review_headline 16538189 27634740 🤹🏽♂️🎤Great product. Practice makes perfect. D...
14 review_body 145886383 232457911 🚅 +🐧=💥 😀
查询 Parquet 文件
接下来，让我们查询文件的内容。我们可以通过调整上述查询以删除 `ParquetMetadata`，然后例如计算所有评论中最受欢迎的 `star_rating` 来做到这一点
query = """
SELECT star_rating, count() AS count, formatReadableQuantity(count)
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet'
)
GROUP BY ALL
ORDER BY star_rating
"""
chdb.query(query, 'DataFrame')
star_rating count formatReadableQuantity(count())
0 1 3253070 3.25 million
1 2 1865322 1.87 million
2 3 3130345 3.13 million
3 4 6578230 6.58 million
4 5 27078664 27.08 million
有趣的是，5 星评价比所有其他评分的总和还要多！ 看来人们喜欢亚马逊上的产品，或者如果他们不喜欢，他们只是不提交评分。