ParquetMetadata

توثيق تنسيق ParquetMetadata

​

الوصف

تنسيق خاص لقراءة البيانات الوصفية لملف Parquet (https://parquet.apache.org/docs/file-format/metadata/). ويُخرج دائمًا صفًا واحدًا بالبنية/المحتوى التالي:

• num_columns - عدد الأعمدة
• “num_rows` - العدد الإجمالي للصفوف
• num_row_groups - العدد الإجمالي لمجموعات الصفوف
• format_version - إصدار تنسيق Parquet، ويكون دائمًا 1.0 أو 2.6
• total_uncompressed_size - إجمالي حجم البيانات غير المضغوطة بالبايت، ويُحسب على أنه مجموع total_byte_size من جميع مجموعات الصفوف
• total_compressed_size - إجمالي حجم البيانات المضغوطة بالبايت، ويُحسب على أنه مجموع total_compressed_size من جميع مجموعات الصفوف
• columns - قائمة البيانات الوصفية للأعمدة بالبنية التالية:
  • name - اسم العمود
  • path - مسار العمود (ويختلف عن الاسم في العمود المتداخل)
  • max_definition_level - الحد الأقصى لمستوى التعريف
  • max_repetition_level - الحد الأقصى لمستوى التكرار
  • physical_type - النوع الفيزيائي للعمود
  • logical_type - النوع المنطقي للعمود
  • compression - الضغط المستخدم لهذا العمود
  • total_uncompressed_size - إجمالي حجم العمود غير المضغوط بالبايت، ويُحسب على أنه مجموع total_uncompressed_size للعمود من جميع مجموعات الصفوف
  • total_compressed_size - إجمالي حجم العمود المضغوط بالبايت، ويُحسب على أنه مجموع total_compressed_size للعمود من جميع مجموعات الصفوف
  • space_saved - النسبة المئوية للمساحة التي وفّرها الضغط، وتُحسب على أنها (1 - total_compressed_size/total_uncompressed_size).
  • encodings - قائمة الترميزات المستخدمة لهذا العمود
• row_groups - قائمة البيانات الوصفية لمجموعات الصفوف بالبنية التالية:
  • num_columns - عدد الأعمدة في مجموعة الصفوف
  • num_rows - عدد الصفوف في مجموعة الصفوف
  • total_uncompressed_size - إجمالي حجم مجموعة الصفوف غير المضغوط بالبايت
  • total_compressed_size - إجمالي حجم مجموعة الصفوف المضغوط بالبايت
  • columns - قائمة البيانات الوصفية لأجزاء الأعمدة بالبنية التالية:
    • name - اسم العمود
    • path - مسار العمود
    • total_compressed_size - إجمالي حجم العمود المضغوط بالبايت
    • total_uncompressed_size - إجمالي حجم مجموعة الصفوف غير المضغوط بالبايت
    • have_statistics - علامة منطقية تشير إلى ما إذا كانت البيانات الوصفية لجزء العمود تحتوي على إحصاءات العمود
    • statistics - إحصاءات جزء العمود (تكون جميع الحقول NULL إذا كان have_statistics = false) بالبنية التالية:
      • num_values - عدد القيم غير NULL في جزء العمود
      • null_count - عدد قيم NULL في جزء العمود
      • distinct_count - عدد القيم المميزة في جزء العمود
      • min - القيمة الدنيا لجزء العمود
      • max - القيمة العظمى لجزء العمود

​

مثال للاستخدام

مثال:

SELECT * 
FROM file(data.parquet, ParquetMetadata) 
FORMAT PrettyJSONEachRow

{
    "num_columns": "2",
    "num_rows": "100000",
    "num_row_groups": "2",
    "format_version": "2.6",
    "metadata_size": "577",
    "total_uncompressed_size": "282436",
    "total_compressed_size": "26633",
    "columns": [
        {
            "name": "number",
            "path": "number",
            "max_definition_level": "0",
            "max_repetition_level": "0",
            "physical_type": "INT32",
            "logical_type": "Int(bitWidth=16, isSigned=false)",
            "compression": "LZ4",
            "total_uncompressed_size": "133321",
            "total_compressed_size": "13293",
            "space_saved": "90.03%",
            "encodings": [
                "RLE_DICTIONARY",
                "PLAIN",
                "RLE"
            ]
        },
        {
            "name": "concat('Hello', toString(modulo(number, 1000)))",
            "path": "concat('Hello', toString(modulo(number, 1000)))",
            "max_definition_level": "0",
            "max_repetition_level": "0",
            "physical_type": "BYTE_ARRAY",
            "logical_type": "None",
            "compression": "LZ4",
            "total_uncompressed_size": "149115",
            "total_compressed_size": "13340",
            "space_saved": "91.05%",
            "encodings": [
                "RLE_DICTIONARY",
                "PLAIN",
                "RLE"
            ]
        }
    ],
    "row_groups": [
        {
            "num_columns": "2",
            "num_rows": "65409",
            "total_uncompressed_size": "179809",
            "total_compressed_size": "14163",
            "columns": [
                {
                    "name": "number",
                    "path": "number",
                    "total_compressed_size": "7070",
                    "total_uncompressed_size": "85956",
                    "have_statistics": true,
                    "statistics": {
                        "num_values": "65409",
                        "null_count": "0",
                        "distinct_count": null,
                        "min": "0",
                        "max": "999"
                    }
                },
                {
                    "name": "concat('Hello', toString(modulo(number, 1000)))",
                    "path": "concat('Hello', toString(modulo(number, 1000)))",
                    "total_compressed_size": "7093",
                    "total_uncompressed_size": "93853",
                    "have_statistics": true,
                    "statistics": {
                        "num_values": "65409",
                        "null_count": "0",
                        "distinct_count": null,
                        "min": "Hello0",
                        "max": "Hello999"
                    }
                }
            ]
        },
        ...
    ]
}