输入/输出和文件系统#

Arrow 提供了一系列 C++ 接口，抽象了输入/输出操作的具体细节。它们操作无类型二进制数据流。这些抽象用于各种目的，例如读取 CSV 或 Parquet 数据、传输 IPC 流等。

另请参阅

输入/输出功能的 API 参考.

读取二进制数据#

用于读取二进制数据的接口有两种形式

  • 顺序读取：InputStream 接口提供 Read 方法；建议 Read 到 Buffer，因为在某些情况下可以避免内存复制。

  • 随机访问读取：RandomAccessFile 接口提供额外的定位功能，最重要的是 ReadAt 方法，它允许从多个线程进行并行读取。

可用于内存读取、无缓冲文件读取、内存映射文件读取、缓冲读取、压缩读取的具体实现。

写入二进制数据#

二进制数据的写入主要通过 OutputStream 接口完成。

可用于内存写入、无缓冲文件写入、内存映射文件写入、缓冲写入、压缩写入的具体实现。

文件系统#

文件系统接口 允许抽象访问各种数据存储后端，例如本地文件系统或 S3 存储桶。它提供输入和输出流以及目录操作。

另请参阅

文件系统 API 参考.

文件系统接口公开了底层数据存储的简化视图。数据路径表示为抽象路径，它们以 / 分隔，即使在 Windows 上也是如此，并且不应包含特殊的路径组件，例如 . 和 ..。如果底层存储支持，符号链接会自动解引用。只提供文件条目的基本 元数据，例如文件大小和修改时间。

文件系统实例可以使用 FromUri 工厂函数从 URI 字符串构造，这些工厂函数根据 URI 的 scheme 分派给特定于实现的工厂。新实例的其他属性从 URI 的其他属性中提取，例如 hostname、username 等。Arrow 支持新文件系统的运行时注册，并为多个文件系统提供内置支持。

支持哪些内置文件系统是在构建时配置的，可能包括本地文件系统访问、HDFS、与 Amazon S3 兼容的存储和Google Cloud Storage。

注意

使用文件系统的任务通常会在 I/O 线程池上运行。对于支持高并发性的文件系统，增加 I/O 线程池的大小可能会带来好处。

定义新文件系统#

可以通过使用 RegisterFileSystemFactory() 为每个新的 URI 方案注册一个工厂，从而向 FromUri 工厂函数添加对其他 URI 方案的支持。为了实现常见情况，即更喜欢自动注册，可以在命名空间范围内定义一个 FileSystemRegistrar 实例，该实例将在实例加载时注册一个工厂。

auto kExampleFileSystemModule = ARROW_REGISTER_FILESYSTEM(
  "example",
  [](const Uri& uri, const io::IOContext& io_context,
      std::string* out_path) -> Result<std::shared_ptr<arrow::fs::FileSystem>> {
    EnsureExampleFileSystemInitialized();
    return std::make_shared<ExampleFileSystem>();
  },
  &EnsureExampleFileSystemFinalized
);

如果文件系统实现需要在使用任何实例之前进行初始化，则应将其包含在相应的工厂中，或以其他方式确保在调用工厂之前自动完成。同样，如果文件系统实现需要在进程结束之前进行拆卸，则可以将其封装在一个函数中并与工厂一起注册。所有终结器都将由 EnsureFinalized() 调用。

通过将文件系统实现划分到单独的共享库中，可以降低构建复杂性，应用程序可以动态链接或加载该库。Arrow 的内置文件系统实现也遵循此模式。如果包含 FileSystemRegistrar 实例的共享库必须动态加载，则应使用 LoadFileSystemFactories() 加载它。如果此类库可能静态链接到 arrow，则它应该有一个源文件 #include "arrow/filesystem/filesystem_library.h"，以确保存在 LoadFileSystemFactories() 依赖的符号。