java - 如何使用 s3 select 从 Parquet 文件中获取所有列的列表？

Question

我有一个 parquet 文件存储在 S3 存储桶中。我想获取 Parquet 文件所有列的列表。我正在使用 s3 select ，但它只是给我所有行的列表，没有任何列标题。

有没有办法从这个 Parquet 文件中获取所有列名称而不完全下载它？由于 parquet 文件可能非常大，我不想下载整个 parquet 文件，这就是为什么我使用 s3 select 使用

选择前几行

select * from S3Object LIMIT 10

我尝试通过执行以下操作显式获取列名称

SELECT COLUMN_NAME FROM INFORMATION_SCHEMA.COLUMNS WHERE TABLE_NAME = 'S3Object'

但它无法工作，因为 AWS S3 尚不支持此功能。

还有其他方法可以达到同样的效果吗？

Answer 1

我也遇到了同样的问题，但不幸的是，这次我的 Google 功夫不够强。

我发现了以下我不太喜欢的解决方法，但它对我有用:

r = s3.select_object_content(Bucket='...your bucket...', 
                             Key='...your key...', 
                             ExpressionType='SQL', 
                             Expression="select s.* from S3Object s limit 1",
                             InputSerialization={'Parquet': {}}, 
                              OutputSerialization={'JSON': {}})
row = json.loads([rec['Records']['Payload'].decode('utf-8') for rec in r['Payload'] if 'Records' in rec][0])

print("Columns: ", list(row.keys()))

即该代码的作用是请求数据的第一行，提取有效负载并加载返回的 JSON 对象。获取的 JSON 对象具有以下结构 {"Column name": "value", ....}，这样只需提取 JSON 对象的键(最后一行)即可。

另一个问题是这不会返回列的类型。这是我目前还无法解决的问题。

更新: 我观察到，在某些情况下，某些列名称的报告不正确。返回的不是真实姓名，如 _18、_19。不知道如何处理。