كيفية الاستعلام عن ملفات Parquet

تعرّف على كيفية الاستعلام عن ملفات Parquet باستخدام chDB.

يُخزَّن قدر كبير من بيانات العالم في حاويات Amazon S3. في هذا الدليل، سنتعلّم كيفية الاستعلام عن هذه البيانات باستخدام chDB.

​

الإعداد

لننشئ أولًا بيئة افتراضية:

python -m venv .venv
source .venv/bin/activate

والآن سنثبّت chDB. تأكّد من استخدام الإصدار 2.0.2 أو أحدث:

pip install "chdb>=2.0.2"

والآن سنثبّت IPython:

pip install ipython

سنستخدم ipython لتشغيل الأوامر في بقية هذا الدليل، ويمكنك تشغيله عبر تنفيذ:

ipython

يمكنك أيضًا استخدام الشيفرة في برنامج نصي بلغة Python أو في دفتر ملاحظاتك المفضل.

​

استكشاف البيانات الوصفية لملف Parquet

سنستكشف ملف Parquet من مجموعة بيانات مراجعات Amazon. لكن أولًا، لِنُثبِّت chDB:

import chdb

عند الاستعلام عن ملفات Parquet، يمكننا استخدام تنسيق الإدخال ParquetMetadata لإرجاع بيانات Parquet الوصفية بدلًا من محتوى الملف. لنستخدم عبارة DESCRIBE للاطلاع على الحقول التي تُعاد عند استخدام هذا التنسيق:

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))))))

لنلقِ الآن نظرة على البيانات الوصفية لهذا الملف. يحتوي كلٌّ من columns وrow_groups على مصفوفات من tuples تتضمن العديد من الخصائص، لذا سنستبعدهما مؤقتًا.

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

يتضح من هذا الناتج أن ملف Parquet هذا يحتوي على أكثر من 40 مليون صف، مقسّمة على 42 مجموعة صفوف، مع 15 عمودًا من البيانات في كل صف. مجموعة الصفوف هي تقسيم أفقي منطقي للبيانات إلى صفوف. ترتبط بيانات وصفية بكل مجموعة صفوف، ويمكن لأدوات الاستعلام الاستفادة من هذه البيانات الوصفية للاستعلام عن الملف بكفاءة.

لنلقِ نظرة على إحدى مجموعات الصفوف:

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                                                                                              🚅 +🐧=💥 😀

​

الاستعلام عن ملفات Parquet

بعد ذلك، لنستعلم عن محتويات الملف. يمكننا فعل ذلك بتعديل الاستعلام أعلاه لإزالة ParquetMetadata، ثم، على سبيل المثال، حساب قيمة star_rating الأكثر شيوعًا بين جميع المراجعات:

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

ومن اللافت للاهتمام أن عدد المراجعات ذات الخمس نجوم يفوق مجموع جميع التقييمات الأخرى! ويبدو أن الناس يحبّون المنتجات على Amazon، أو أنهم إذا لم تعجبهم، فلا يقدّمون تقييمًا.