输入/输出和文件系统#

Arrow 提供了一系列 C++ 接口，用于抽象输入/输出操作的具体细节。它们操作的是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 流等等。

另请参阅

输入/输出工具的 API 参考.

读取二进制数据#

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，因为它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工具，最重要的是 ReadAt 方法，允许从多个线程并行读取。

具体实现可用于 内存中读取、非缓冲文件读取、内存映射文件读取、缓冲读取、压缩读取。

写入二进制数据#

写入二进制数据主要通过 OutputStream 接口完成。

具体实现可用于 内存中写入、非缓冲文件写入、内存映射文件写入、缓冲写入、压缩写入。

文件系统#

文件系统接口 允许对各种数据存储后端（例如本地文件系统或 S3 bucket）进行抽象访问。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，即使在 Windows 上，抽象路径也使用 / 分隔，并且不应包含特殊的路径组件，例如 . 和 ..。符号链接（如果底层存储支持）会自动取消引用。只有关于文件条目的基本 metadata（例如文件大小和修改时间）可用。

可以使用 FromUri 工厂之一从 URI 字符串构造文件系统实例，这些工厂根据 URI 的 scheme 调度到特定于实现的工厂。新实例的其他属性是从 URI 的其他属性（例如 hostname、username 等）中提取的。 Arrow 支持运行时注册新文件系统，并为几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、Amazon S3 兼容存储 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。

定义新的文件系统#

通过为每个新 URI 方案注册一个工厂，可以使用 RegisterFileSystemFactory() 将对其他 URI 方案的支持添加到 FromUri 工厂。为了启用自动注册的首选常见情况，可以在命名空间范围内定义 FileSystemRegistrar 的实例，每当加载该实例时，它都会注册一个工厂

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
);

如果文件系统实现在构建任何实例之前需要初始化，则应将其包含在相应的工厂中，或以其他方式自动确保在调用工厂之前完成。同样，如果文件系统实现在进程结束前需要清理，则可以将其包装在一个函数中，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为单独的共享库，应用程序可以链接或动态加载，从而可以降低构建的复杂性。 Arrow 的内置文件系统实现也遵循这种模式。如果包含 FileSystemRegistrar 实例的共享库必须动态加载，则应使用 LoadFileSystemFactories() 来加载它。如果此类库可能静态链接到 arrow，则其源文件之一应 #include "arrow/filesystem/filesystem_library.h"，以确保 LoadFileSystemFactories() 所依赖的符号存在。