读取 JSON 文件#

行分隔的 JSON 文件可以作为具有单个 TableReader 的单个 Arrow 表格读取，也可以使用 StreamingReader 流式传输为 RecordBatch。

这两个读取器都需要一个表示输入文件的 arrow::io::InputStream 实例。可以使用 ReadOptions、ParseOptions 和其他参数的组合来自定义它们的行为。

另请参阅

TableReader#

TableReader 将整个文件一次性读取为一个 Table。输入文件中的每个独立 JSON 对象都转换为输出表中的一行。

#include "arrow/json/api.h"

{
   // ...
   arrow::MemoryPool* pool = default_memory_pool();
   std::shared_ptr<arrow::io::InputStream> input = ...;

   auto read_options = arrow::json::ReadOptions::Defaults();
   auto parse_options = arrow::json::ParseOptions::Defaults();

   // Instantiate TableReader from input stream and options
   auto maybe_reader = arrow::json::TableReader::Make(pool, input, read_options, parse_options);
   if (!maybe_reader.ok()) {
      // Handle TableReader instantiation error...
   }
   auto reader = *maybe_reader;

   // Read table from JSON file
   auto maybe_table = reader->Read();
   if (!maybe_table.ok()) {
      // Handle JSON read error
      // (for example a JSON syntax error or failed type conversion)
   }
   auto table = *maybe_table;
}

StreamingReader#

StreamingReader 以大致相等的字节大小的块增量读取文件，每个块产生一个 RecordBatch。块中的每个独立 JSON 对象都转换为输出批次中的一行。

所有批次都遵循一致的 Schema，该模式派生自第一个加载的批次。或者，可以通过 ParseOptions 传递显式模式。

#include "arrow/json/api.h"

{
   // ...
   auto read_options = arrow::json::ReadOptions::Defaults();
   auto parse_options = arrow::json::ParseOptions::Defaults();

   std::shared_ptr<arrow::io::InputStream> stream;
   auto result = arrow::json::StreamingReader::Make(stream,
                                                    read_options,
                                                    parse_options);
   if (!result.ok()) {
      // Handle instantiation error
   }
   std::shared_ptr<arrow::json::StreamingReader> reader = *result;

   for (arrow::Result<std::shared_ptr<arrow::RecordBatch>> maybe_batch : *reader) {
      if (!maybe_batch.ok()) {
         // Handle read/parse error
      }
      std::shared_ptr<arrow::RecordBatch> batch = *maybe_batch;
      // Operate on each batch...
   }
}

数据类型#

由于 JSON 值是类型化的，因此输出上的可能 Arrow 数据类型取决于输入值类型。顶级 JSON 值应始终为对象。顶级对象的字段被视为表示 Arrow 数据中的列。对于 JSON 对象中的每个名称/值对，有两种可能的模式来决定输出数据类型

如果名称在 ParseOptions::explicit_schema 中，则尝试将 JSON 值转换为相应的 Arrow 数据类型；
否则，通过对 JSON 值进行类型推断来确定 Arrow 数据类型，并按顺序尝试多种 Arrow 数据类型。

下表显示了这两种模式中每种模式的可能组合。

从 JSON 到 Arrow 的显式转换#
JSON 值类型	允许的 Arrow 数据类型
空	任何（包括空）
数字	所有整数类型、Float32、Float64、Date32、Date64、Time32、Time64
布尔值	布尔值
字符串	Binary、LargeBinary、String、LargeString、Timestamp
数组	列表
对象（嵌套）	结构体

从 JSON 到 Arrow 的隐式类型推断#
JSON 值类型	推断出的 Arrow 数据类型（按顺序）
空	空，任何其他
数字	Int64，Float64
布尔值	布尔值
字符串	Timestamp（以秒为单位），String
数组	列表
对象（嵌套）	结构体