读取和写入 Apache ORC 格式#
Apache ORC 项目为数据分析系统提供了一种标准化的开源列式存储格式。它最初是为 Apache Hadoop 与诸如 Apache Drill、Apache Hive、Apache Impala 和 Apache Spark 等系统一起使用而创建的，这些系统都将其作为高性能数据 IO 的共享标准。
Apache Arrow 是使用 ORC 文件读取或写入数据时理想的内存表示层。
获取支持 ORC 的 pyarrow#
如果您使用 pip 或 conda 安装了 pyarrow，它应该会内置 ORC 支持进行构建
>>> from pyarrow import orc
如果您从源代码构建 pyarrow，则在编译 C++ 库时必须使用 -DARROW_ORC=ON，并在构建 pyarrow 时启用 ORC 扩展。有关更多详细信息，请参见Python 开发页面。
读取和写入单个文件#
函数 read_table() 和 write_table() 分别读取和写入 pyarrow.Table 对象。
让我们看一个简单的表
>>> import numpy as np
>>> import pyarrow as pa
>>> table = pa.table(
... {
... 'one': [-1, np.nan, 2.5],
... 'two': ['foo', 'bar', 'baz'],
... 'three': [True, False, True]
... }
... )
我们使用 write_table 将其写入 ORC 格式
>>> from pyarrow import orc
>>> orc.write_table(table, 'example.orc')
这将创建一个单独的 ORC 文件。在实践中，一个 ORC 数据集可能由许多目录中的许多文件组成。我们可以使用 read_table 读回单个文件
>>> table2 = orc.read_table('example.orc')
您可以传递要读取的列的子集，这比读取整个文件要快得多（由于列式布局）
>>> orc.read_table('example.orc', columns=['one', 'three'])
pyarrow.Table
one: double
three: bool
----
one: [[-1,nan,2.5]]
three: [[true,false,true]]
我们不需要使用字符串来指定文件的来源。它可以是以下任何一种
文件路径，为字符串
Python 文件对象
pathlib.Path 对象
来自 PyArrow 的 NativeFile
一般来说，Python 文件对象的读取性能最差，而字符串文件路径或 NativeFile 的实例（尤其是内存映射）的性能将是最好的。
我们还可以通过 pyarrow.dataset 接口读取包含多个 ORC 文件的分区数据集。
另请参阅
ORC 文件写入选项#
write_table() 具有许多选项，用于控制写入 ORC 文件时的各种设置。
file_version，要使用的 ORC 格式版本。'0.11'确保与较旧的读取器的兼容性，而'0.12'是较新的版本。stripe_size，用于控制列条纹中数据的近似大小。当前默认为 64MB。
有关更多详细信息，请参见 write_table() 的文档字符串。
更细粒度的读取和写入#
read_table 使用 ORCFile 类，该类具有其他功能
>>> orc_file = orc.ORCFile('example.orc')
>>> orc_file.metadata
-- metadata --
>>> orc_file.schema
one: double
two: string
three: bool
>>> orc_file.nrows
3
有关更多详细信息，请参见 ORCFile 的文档字符串。
正如您在 Apache ORC 格式中了解到的那样，一个 ORC 文件由多个条纹组成。read_table 将读取所有条纹并将它们连接成一个表。您可以使用 read_stripe 读取各个条纹
>>> orc_file.nstripes
1
>>> orc_file.read_stripe(0)
pyarrow.RecordBatch
one: double
two: string
three: bool
我们可以使用 ORCWriter 写入 ORC 文件
>>> with orc.ORCWriter('example2.orc') as writer:
... writer.write(table)
压缩#
在编码过程（字典、RLE 编码）之后，可以压缩行组中列内的数据页。在 PyArrow 中，默认情况下我们不使用压缩，但也支持 Snappy、ZSTD、Gzip/Zlib 和 LZ4
>>> orc.write_table(table, where, compression='uncompressed')
>>> orc.write_table(table, where, compression='gzip')
>>> orc.write_table(table, where, compression='zstd')
>>> orc.write_table(table, where, compression='snappy')
Snappy 通常会带来更好的性能，而 Gzip 可能会产生较小的文件。
从云存储读取#
除了本地文件外，pyarrow 还通过 filesystem 关键字支持其他文件系统，例如云文件系统
>>> from pyarrow import fs
>>> s3 = fs.S3FileSystem(region="us-east-2")
>>> table = orc.read_table("bucket/object/key/prefix", filesystem=s3)
另请参阅