我从互联网上抓取了数据(因此有不同的编码)并存储为 Parquet 文件。在 R 中处理它时，我使用箭头库。对于以下代码片段
library(arrow)
download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.parquet','sample.parquet')
read_parquet(file = 'sample.parquet',as_data_frame = TRUE)
我明白了-
Error in Table__to_dataframe(x, use_threads = option_use_threads()) :
embedded nul in string: '\0 at \0'
所以，我想，如果我可以将文件作为二进制文件读取并自己替换嵌入的 nul 字符\0 会怎样。
parquet <- read_parquet(file = 'sample.parquet',as_data_frame = FALSE)
raw <- write_to_raw(parquet,format = "file")
print(raw)
在这种情况下，我得到了无法辨认的字符流和 null，这使得删除流中有问题的“00”字符变得非常困难。
[1] 41 52 52 4f 57 31 00 00 ff ff ff ff d0 02 00 00 10 00 00 00 00 00 0a 00 0c 00 06 00
[29] 05 00 08 00 0a 00 00 00 00 01 04 00 0c 00 00 00 08 00 08 00 00 00 04 00 08 00 00 00
[57] 04 00 00 00 0d 00 00 00 70 02 00 00 38 02 00 00 10 02 00 00 d0 01 00 00 a4 01 00 00
[85] 74 01 00 00 34 01 00 00 04 01 00 00 cc 00 00 00 9c 00 00 00 64 00 00 00 34 00 00 00
[113] 04 00 00 00 d4 fd ff ff 00 00 01 05 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00
[141] c4 fd ff ff 0a 00 00 00 77 61 72 63 5f 6c 61 6e 67 73 00 00 00 fe ff ff 00 00 01 05
[169] 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00 f0 fd ff ff 0b 00 00 00 6c 61 6e 67
[197] 5f 64 65 74 65 63 74 00 2c fe ff ff 00 00 01 03 18 00 00 00 0c 00 00 00 04 00
有没有一种方法可以在读取时跳过嵌入的 nul 来读取 Parquet ？ 或者是否有一种模式可以用来有效地从以下 Parquet 字符串中删除嵌入的空值？
例如，当我读取存储为 csv 的同一文件时，R 提供了安全读取它的功能:
download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.tsv','sample.tsv')
table <- read.csv('sample.tsv', sep = '\t',quote = """, skipNul = TRUE)
这里，skipNul 有效地跳过 Nuls 并返回具有所需维度的 data.frame。
session 信息:
> sessionInfo()
R version 3.4.4 (2018-03-15)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 18.04.5 LTS
Matrix products: default
BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.7.1
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.7.1
locale:
[1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C LC_TIME=en_US.UTF-8
[4] LC_COLLATE=en_US.UTF-8 LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
[7] LC_PAPER=en_US.UTF-8 LC_NAME=C LC_ADDRESS=C
[10] LC_TELEPHONE=C LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] stringr_1.4.0 dplyr_1.0.2 tictoc_1.0 arrow_1.0.1 sparklyr_1.4.0
引用文献: Arrow manual
最佳答案
这可能是 bug 。 arrow 正在正常读取该文件。将其转换为数据帧时出现错误。
library(arrow)
library(tidyverse)
read_parquet("parquet.parquet", as_data_frame = FALSE)
#> Table
#> 45483 rows x 13 columns
#> $date <string>
#> $raw <string>
#> $url <string>
#> $isReliable <int64>
#> $title <string>
#> $language1 <string>
#> $language1_conf <int64>
#> $language2 <string>
#> $language2_conf <int64>
#> $language3 <string>
#> $language3_conf <int64>
#> $lang_detect <string>
#> $warc_first <string>
具体来说，第二列 raw 存在问题。阅读其他所有专栏都可以正常工作。
df_except_bad_col <- read_parquet("parquet.parquet", col_select = -2)
df_except_bad_col
#> # A tibble: 45,483 x 12
#> date url isReliable title language1 language1_conf language2 language2_conf language3 language3_conf lang_detect
#> <chr> <chr> <int> <chr> <chr> <int> <chr> <int> <chr> <int> <chr>
#> 1 2019~ http~ 1 2019~ ja 96 en 2 un 0 ja
#> 2 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 3 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 4 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 5 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 6 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 7 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 8 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 9 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 10 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> # ... with 45,473 more rows, and 1 more variable: warc_first <chr>
将该列转换为向量会导致问题。
bad_column <- read_parquet("parquet.parquet", col_select = 2, as_data_frame = FALSE)
bad_column[[1]]$as_vector()
#> Error in ChunkedArray__as_vector(self) :
#> embedded nul in string: '\0 at \0'
没有什么好方法可以成功阅读该专栏。您可以将其作为二进制读取，丢弃nul，然后转换为字符
fixed_column <-
bad_column[[1]]$cast(binary())$as_vector() %>%
map(discard, ~. == 0x00) %>%
map_chr(rawToChar)
mutate(df_except_bad_col, raw = fixed_column)
#> # A tibble: 45,483 x 13
#> date url isReliable title language1 language1_conf language2 language2_conf language3 language3_conf lang_detect warc_first raw
#> <chr> <chr> <int> <chr> <chr> <int> <chr> <int> <chr> <int> <chr> <chr> <chr>
#> 1 2019-12-31 http://10mm.hatenablo~ 1 2019-12-31から1日間の記事一覧 - 1~ ja 96 en 2 un 0 ja ja "2019-12-31"
#> 2 2020-06-10~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "10 июнÑ\u008~
#> 3 2020-06-04~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "4 июнÑ\u008f~
#> 4 2020-05-29~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "29 маÑ\u008f ~
#> 5 2019-12-19~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "19 декабр~
#> 6 2019-12-15~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "15 декабр~
#> 7 2019-12-13~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "13 декабр~
#> 8 2019-10-14~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "14 октÑ\u008~
#> 9 2019-10-02~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "2 октÑ\u008f~
#> 10 2019-09-14~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "14 Ñ\u0081енÑ~
#> # ... with 45,473 more rows
关于r - 有没有办法在读取 Parquet 文件时处理嵌入的 null ？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/64383367/