导航：首页 > 互联网科技 >

Apache Arrow官方文档-元数据

发表于：2024-11-19 作者：千家信息网编辑

千家信息网最后更新 2024年11月19日，元数据：逻辑类型，模式，数据头这是Arrow元数据规范的文档，它使系统能够通信逻辑数组类型（使用Layout.md中指定的物理内存布局实现）Arrow数据结构的表格集合的模式"数据头"指明内存缓冲区的

千家信息网最后更新 2024年11月19日Apache Arrow官方文档-元数据

元数据：逻辑类型，模式，数据头

这是Arrow元数据规范的文档，它使系统能够通信

逻辑数组类型（使用Layout.md中指定的物理内存布局实现）
Arrow数据结构的表格集合的模式

"数据头"指明内存缓冲区的物理位置，内存缓冲区不复制内存而足以重建Arrow数据结构。

规范实现

我们正在使用Flatbuffers进行低开销读写Arrow元数据。请参阅Message.fbs。

架构

Schema类型描述了由任意数量的Arrow数组组成的表状结构，每个Arrow数组可以被解释为表中的一列。模式本身不描述任何特定数据集的物理结构。
模式由一系列字段组成，这些字段是描述列的元数据。Flatbuffers IDL的一个字段是：

table Field {// Name is not required, in i.e. a Listname: string;nullable: bool;type: Type;// present only if the field is dictionary encoded// will point to a dictionary provided by a DictionaryBatch messagedictionary: long;// children apply only to Nested data types like Struct, List and Unionchildren: [Field];/// layout of buffers produced for this type (as derived from the Type)/// does not include children/// each recordbatch will return instances of those Buffers.layout: [ VectorLayout ];// User-defined metadatacustom_metadata: [ KeyValue ];}

type是字段的逻辑类型。嵌套类型（如List，Struct和Union）具有一系列子字段。
还提供了该模式的JSON表示形式：字段：

{"name" : "name_of_the_field","nullable" : false,"type" : /* Type */,"children" : [ /* Field */ ],"typeLayout" : {"vectors" : [ /* VectorLayout */ ]}}

VectorLayout：

{  "type" : "DATA|OFFSET|VALIDITY|TYPE",  "typeBitWidth" : /* int */}Type:{  "name" :"null|struct|list|union|int|floatingpoint|utf8|binary|fixedsizebinary|bool|decimal|date|time|timestamp|interval"  // fields as defined in the Flatbuffer depending on the type name}Union:{  "name" : "union",  "mode" : "Sparse|Dense",  "typeIds" : [ /* integer */ ]}

在Union中的typeIds字段是用于表示每种类型的编码，其可以与从子数组的索引不同。这样就可以使用联合类型ids不需要从0开始枚举。
Int：

{  "name" : "int",  "bitWidth" : /* integer */,  "isSigned" : /* boolean */}

FloatingPoint：

{  "name" : "floatingpoint",  "precision" : "HALF|SINGLE|DOUBLE"}

Decimal：

{  "name" : "decimal",  "precision" : /* integer */,  "scale" : /* integer */}

Timestamp：

{  "name" : "timestamp",  "unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND"}

Date：

{  "name" : "date",  "unit" : "DAY|MILLISECOND"}

Time：

{  "name" : "time",  "unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND",  "bitWidth": /* integer: 32 or 64 */}

Interval：

{  "name" : "interval",  "unit" : "YEAR_MONTH|DAY_TIME"}Schema：{  "fields" : [    /* Field */  ]}

记录数据头

RecordBatch是顶级命名的等长Arrow数组（或向量）的集合。如果其中一个数组包含嵌套数据，则其子数组不需要与顶级数组的长度相同。
可以被认为是特定模式的实现。描述特定RecordBatch的元数据称为"数据头"。这是用于RecordBatch数据头的Flatbuffers的IDL

table RecordBatch {  length: long;  nodes: [FieldNode];  buffers: [Buffer];}

所述RecordBatch元数据提供与长度超过2^31- 1的记录批次，但Arrow实现不要求实现支持超出这一大小。
通过对给定的内存中数据集的模式（可能包含嵌套类型）进行深度优先遍历/扁平化，生成nodes和buffers字段。

缓冲区

缓冲区是描述相对于某些虚拟地址空间的连续内存区域的元数据。这可能包括：

共享内存，例如内存映射文件
在内存中接收到RPC消息
文件中的数据
缓冲区类型的键形式是：
```
struct Buffer {offset: long;length: long;}
```
在record batch的上下文中，每个字段具有与其相关联的一些数量的缓冲区，它们源于其物理内存布局。
每个逻辑类型（与其子节点分开，如果它是一个嵌套类型）具有与之相关联的确定性数量的缓冲区。这些将在逻辑类型部分中指定。
字段元数据
所述FieldNode值包含关于在嵌套类型层次每个等级的元数据。
```
struct FieldNode {/// The number of value slots in the Arrow array at this level of a nested/// treelength: long;/// The number of observed nulls.null_count: lohng;}
```
所述FieldNode元数据提供长度超过2^31- 1的字段，但是Arrow不要求实现支持大型数组。

平铺嵌套数据

嵌套类型以深度优先顺序在record batch中扁平化。当访问嵌套类型树中的每个字段时，元数据将附加到顶级fields数组，并将与该字段相关联的缓冲区（但不是其子级）附加到buffers数组。
例如，让我们考虑模式：

col1: Struct, c: Float64>col2: Utf8

其扁平化版本是：

FieldNode 0: Struct name='col1'FieldNode 1: Int32 name=a'FieldNode 2: List name='b'FieldNode 3: Int64 name='item'  # arbitraryFieldNode 4: Float64 name='c'FieldNode 5: Utf8 name='col2'

对于生成的缓冲区，将具有以下内容（如下面对于每种类型的更详细描述）：

buffer 0: field 0 validity bitmapbuffer 1: field 1 validity bitmapbuffer 2: field 1 values buffer 3: field 2 validity bitmapbuffer 4: field 2 list offsets buffer 5: field 3 validity bitmapbuffer 6: field 3 values buffer 7: field 4 validity bitmapbuffer 8: field 4 values buffer 9: field 5 validity bitmapbuffer 10: field 5 offsets buffer 11: field 5 data

逻辑类型

逻辑类型由类型名称和元数据以及对物理内存表示的显式映射组成。这些可能分为不同的类别：

表示为固定宽度基本类型数组（例如：C风格的整数和浮点数）
具有与物理嵌套类型相等的内存布局的类型（例如，字符串使用列表（List）表示，但逻辑上不是嵌套类型）
整型
在Arrow的第一个版本中，我们提供标准的8位到64位大小的标准C整数类型，包括有符号和无符号：
● 有符号类型：Int8，Int16，Int32，Int64
● 无符号类型：UInt8，UInt16，UInt32，UInt64
IDL看起来像：
```
table Int {bitWidth: int;is_signed: bool;}
```

整数字节顺序当前在模式级别全局设置。如果一个模式设置为little-endian（低位编址），那么出现在其中的所有整数类型都必须是little-endian。整数作为其他数据表示的一部分（如列表偏移量和联合类型）必须与整个Record Batch具有相同的字节顺序。

浮点数字

我们提供3种类型的浮点数作为固定位宽的基本数组

半精度，16位宽
单精度，32位宽
双精度，64位宽
IDL与下述类似：

enum Precision:int {HALF, SINGLE, DOUBLE}table FloatingPoint {  precision: Precision;}

Boolean

布尔逻辑类型表示为1位宽的基本(原语)物理类型。这些位使用最低有效位（LSB）排序进行编号。
像其他固定的位宽基本类型一样，布尔数据在数据头中显示为2个缓冲区（一个位图为有效向量，另一个为值）。

List

List逻辑类型是（和相同名称）列表物理类型的逻辑对应。
在数据头格式中，List字段节点包含2个缓冲区：

有效位图
列表偏移量
与List的子字段相关联的缓冲区根据子逻辑类型（例如，List对List）递归地处理。
Utf8和Binary
我们为可变长度字节指定两种逻辑类型：
Utf8 数据是具有UTF-8编码的unicode值
Binary 是任何其他可变长度字节
这些类型都与嵌套类型List具有相同的内存布局，其约束是内部字节不能包含空值。从逻辑类型的角度来看，它们是原始的，而不是嵌套类型。
在数据头格式中，虽然List会显示为2个字段节点（List 和UInt8）和4个缓冲区（每个节点为2个，如上所述），这些类型也有简单的表示单字段节点（Utf8或Binary 逻辑类型，没有子节点）和3个缓冲区：
有效位图
列表偏移量
字节数据
Decimal
TBD