使用 vroom 在 R 中部分读取非常大的 csv.gz

Question

我有一个 csv.gz 文件（据我所知）压缩前的大小为 70GB。我的机器有 50GB 的 RAM，所以无论如何我永远无法在 R 中将它作为一个整体打开。

例如，我可以按如下方式加载前 10m 行：

library(vroom)

df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7)

对于我必须做的事情，一次加载 10m 行，执行我的操作，然后继续接下来的 10m 行就可以了。我可以循环执行此操作。

因此我尝试了skip 参数。

df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7, skip = 10^7)

这会导致错误：

Error: The size of the connection buffer (131072) was not large enough
to fit a complete line:
  * Increase it by setting `Sys.setenv("VROOM_CONNECTION_SIZE")`

我用Sys.setenv("VROOM_CONNECTION_SIZE" = 131072*1000) 增加了这个值，但是错误仍然存​​在。

有解决办法吗？

编辑：我发现随机访问 gzip 压缩的 csv (csv.gz) 是不可能的。我们必须从头开始。可能最简单的就是解压保存，然后跳过就可以了。

Answer 1

我无法找出vroom 解决超大内存（gzip 压缩）csv 文件的解决方案。但是，以下方法对我来说效果很好，我很高兴知道查询速度更快同时还节省磁盘空间的方法。

1. 使用xsv 中的https://github.com/BurntSushi/xsv 中的split 子命令将大的csv 文件拆分为在RAM 内舒适的块，例如10^5 行并将它们保存在一个文件夹。
2. 使用data.table::fread 逐一读取所有块（以避免内存不足错误），使用for 循环并使用arrow 包将所有块作为压缩的parquet 文件保存到文件夹中空间并准备大表以进行快速查询。为了更快地操作，建议重新保存parquet 文件，按您需要经常过滤的字段分区。
3. 现在您可以使用arrow::open_dataset 并使用dplyr 命令查询该多文件拼花文件夹。根据我的经验，它占用最少的磁盘空间并提供最快的结果。

我使用data.table::fread 来明确定义每个字段的列类，以实现最快速、最可靠的 csv 文件解析。 readr::read_csv 也很准确，但速度较慢。但是，通过read_csv 自动分配列类以及通过read_csv 自定义定义列类的方式实际上是最好的 - 所以更少的人工时间但更多的机器时间 - 这意味着它总体上可能会更快，具体取决于场景。其他 csv 解析器对我使用的那种 csv 文件抛出错误并浪费时间。

您现在可以删除包含分块 csv 文件的文件夹以节省空间，除非您想尝试使用其他 csv 解析器循环读取它们。

其他以前成功的方法：循环读取上面提到的所有csv块并将它们保存到：

1. 使用disk.frame 包的文件夹。然后可以使用文档中解释的dplyr 或data.table 命令查询该文件夹。它可以保存在压缩的fst 文件中，从而节省空间，但不如parquet 文件那么多。
2. DuckDB 数据库中的一个表，允许使用SQL 或dplyr 命令进行查询。使用数据库表方法不会为您节省磁盘空间。但是DuckDB 还允许使用SQL 命令查询分区/未分区的拼花文件（这样可以节省磁盘空间）。

编辑：- 改进方法如下

我做了一些实验，发现了一种更好的方法来完成上述操作。使用下面的代码，大型（压缩）csv 文件将在 R 环境中自动分块（无需使用任何外部工具，如xsv），所有块将以parquet 格式写入准备查询的文件夹中。

library(readr)
library(arrow)

fyl <- "...path_to_big_data_file.csv.gz"
pqFolder <- "...path_to_folder_where_chunked_parquet_files_are_to_be_saved"

f <- function(x, pos){
  write_parquet(x,
                file.path(pqFolder, paste0(pos, ".parquet")),
                compression = "gzip",
                compression_level = 9)
}

read_csv_chunked(
  fyl,
  col_types = list(Column1="f", Column2="c", Column3="T", ...), # all column specifications
  callback = SideEffectChunkCallback$new(f),
  chunk_size = 10^6)

如果您想使用 -

而不是 parquet

1. disk.frame，回调函数可用于创建分块压缩的fst 文件，用于dplyr 或data.table 样式查询。
2. DuckDB，回调函数可用于将append分块放入数据库表中，用于SQL或dplyr样式查询。

通过明智地选择readr::read_csv_chunked 命令的chunk_size 参数，计算机在运行查询时永远不会耗尽内存。

PS：我对parquet 文件使用gzip 压缩，因为它们可以使用ParquetViewer 来自https://github.com/mukunku/ParquetViewer 进行预览。否则，zstd（ParquetViewer 目前不支持）解压速度更快，从而提高读取速度。

编辑 2：

我得到了一个 csv 文件，它对我的​​机器来说非常大：20 GB 压缩后扩展至大约 83 GB，而我的家用笔记本电脑只有 16 GB。原来我在前面 EDIT 中提到的read_csv_chunked 方法无法完成。它总是在一段时间后停止工作，并且不会创建所有 parquet 块。使用我之前使用xsv 拆分csv 文件然后循环创建parquet 块的方法。公平地说，我必须提到这种方式也需要多次尝试，并且我已经编写了一个检查程序，以便在连续尝试运行程序时只创建 附加 parquet 块。

编辑 3：

VROOM 在处理大文件时确实有困难，因为它需要将索引以及从文件中读取的任何数据存储在内存中。见开发帖https://github.com/r-lib/vroom/issues/203

编辑 4：

附加提示：通过上述方法创建的分块拼花文件可以非常方便地使用 SQL 和 DuckDB 方法进行查询 https://duckdb.org/docs/data/parquet 和 https://duckdb.org/2021/06/25/querying-parquet.html

DuckDB 方法很重要，因为 R Arrow 方法目前存在一个非常严重的限制，官方文档页面https://arrow.apache.org/docs/r/articles/dataset.html 中提到了这一限制。

具体来说，我引用：“在当前版本中，箭头支持dplyr动词mutate(), transmute(), select(), rename(), relocate(), filter()和arrange()。还不支持聚合，所以在调用summarise()或其他具有聚合函数的动词之前，使用collect() 将选定的数据子集拉入内存中的 R 数据帧。"

问题是，如果您在一个非常大的数据集上使用collect()，RAM 使用量会激增并且系统崩溃。然而，使用 SQL 语句在与 DuckDB 相同的大数据集上执行相同的聚合作业不会导致 RAM 使用高峰，也不会导致系统崩溃。因此，在 Arrow 将自己修复为大数据的聚合查询之前，DuckDB 中的 SQL 提供了一个很好的解决方案来查询分块拼花格式的大数据集。