如何使用 Pyarrow 实现流式写入效果

Question

我拥有的数据是一种流数据。我想将它们存储到一个 Parquet 文件中。 但是 Pyarrow 每次都会覆盖 Parquet 文件。那我该怎么办呢？

我尽量不关闭编写器，但这似乎是不可能的，因为如果我没有关闭它，那么我就无法读取这个文件。

这是包裹：

import pyarrow.parquet as pp
import pyarrow as pa

for name in ['LEE','LSY','asd','wer']:
    writer=pq.ParquetWriter('d:/test.parquet', table.schema)
    arrays=[pa.array([name]),pa.array([2])]
    field=[pa.field('name',pa.string()),pa.field('age',pa.int64())]
    table=pa.Table.from_arrays(arrays,schema=pa.schema(field))
    writer.write_table(table)
writer.close()

但实际上我想每次都关闭编写器，然后重新打开它以将一行附加到这样的数据中：

for name in ['LEE','LSY','asd','wer']:
    writer=pq.ParquetWriter('d:/test.parquet', table.schema)
    arrays=[pa.array([name]),pa.array([2])]
    field=[pa.field('name',pa.string()),pa.field('age',pa.int64())]
    table=pa.Table.from_arrays(arrays,schema=pa.schema(field))
    writer.write_table(table)
    writer.close()

Answer 1

Parquet 文件一旦写入就无法附加。这种情况的典型解决方案是每次写入一个新的parquet文件（可以一起形成一个单独的分区parquet数据集），或者，如果数据不多，则先将python中的数据收集到一个表中，然后写入一次。

请参阅此电子邮件主题以及有关它的更多讨论：https://lists.apache.org/thread.html/07b1e3f13b5dae7e34ee3752f3cd4d16a94deb3a5f43893b73475900@%3Cdev.arrow.apache.org%3E