write_*_dataset() 函数族是围绕 write_dataset 的一系列包装器，用于轻松地在用于写入数据集的函数之间切换。
用法
write_delim_dataset(
dataset,
path,
partitioning = dplyr::group_vars(dataset),
basename_template = "part-{i}.txt",
hive_style = TRUE,
existing_data_behavior = c("overwrite", "error", "delete_matching"),
max_partitions = 1024L,
max_open_files = 900L,
max_rows_per_file = 0L,
min_rows_per_group = 0L,
max_rows_per_group = bitwShiftL(1, 20),
col_names = TRUE,
batch_size = 1024L,
delim = ",",
na = "",
eol = "\n",
quote = c("needed", "all", "none")
)
write_csv_dataset(
dataset,
path,
partitioning = dplyr::group_vars(dataset),
basename_template = "part-{i}.csv",
hive_style = TRUE,
existing_data_behavior = c("overwrite", "error", "delete_matching"),
max_partitions = 1024L,
max_open_files = 900L,
max_rows_per_file = 0L,
min_rows_per_group = 0L,
max_rows_per_group = bitwShiftL(1, 20),
col_names = TRUE,
batch_size = 1024L,
delim = ",",
na = "",
eol = "\n",
quote = c("needed", "all", "none")
)
write_tsv_dataset(
dataset,
path,
partitioning = dplyr::group_vars(dataset),
basename_template = "part-{i}.tsv",
hive_style = TRUE,
existing_data_behavior = c("overwrite", "error", "delete_matching"),
max_partitions = 1024L,
max_open_files = 900L,
max_rows_per_file = 0L,
min_rows_per_group = 0L,
max_rows_per_group = bitwShiftL(1, 20),
col_names = TRUE,
batch_size = 1024L,
na = "",
eol = "\n",
quote = c("needed", "all", "none")
)参数
- dataset
Dataset、RecordBatch、Table、
arrow_dplyr_query或data.frame。如果为arrow_dplyr_query，则将评估查询并写入结果。这意味着您可以使用select()、filter()、mutate()等在写入数据之前对其进行转换。- path
字符串路径、URI 或引用要写入目录的
SubTreeFileSystem（如果目录不存在，则会创建）。- partitioning
Partitioning或用作分区键的列的字符向量（将作为路径段写入）。默认情况下，使用当前的group_by()列。- basename_template
要写入的文件名称的字符串模板。必须包含
"{i}"，它将被替换为自动递增的整数以生成数据文件的基名称。例如，"part-{i}.arrow"将生成"part-0.arrow", ...。如果未指定，则默认为"part-{i}.<default extension>"。- hive_style
逻辑值：将分区段写入为 Hive 样式 (
key1=value1/key2=value2/file.ext) 还是仅写入为裸值。默认为TRUE。- existing_data_behavior
目标目录中已存在数据时要使用的行为。必须是 "overwrite"、"error" 或 "delete_matching" 之一。
"overwrite"（默认值）则创建的任何新文件都将覆盖现有文件
"error" 则如果目标目录不为空，则操作将失败
"delete_matching" 则如果要将数据写入这些分区，写入器将删除任何现有分区，并将保留未写入数据的分区。
- max_partitions
任何批次可能写入的最大分区数。默认为 1024L。
- max_open_files
在写入操作期间可以保持打开状态的文件的最大数量。如果大于 0，则这将限制可以保持打开状态的文件的最大数量。如果尝试打开太多文件，则将关闭最近最少使用文件。如果此设置设置得太低，您最终可能会将数据碎片化为许多小文件。默认为 900，这也允许扫描仪打开一些文件，然后再达到 Linux 的默认限制 1024。
- max_rows_per_file
每个文件中的最大行数。如果大于 0，则这将限制每个文件中放置的行数。默认为 0L。
- min_rows_per_group
当累积此行数时，将行组写入磁盘。默认为 0L。
- max_rows_per_group
单个组中允许的最大行数，并且当超过此行数时，它将被拆分，下一组行将写入下一组。此值必须设置为大于
min_rows_per_group。默认为 1024 * 1024。- col_names
是否写入包含列名称的初始标题行。
- batch_size
一次处理的最大行数。默认为 1024L。
- delim
用于分隔值的定界符。对于
write_delim_dataset()和write_csv_dataset()，默认为","，对于write_tsv_dataset()，默认为"\t。对于write_tsv_dataset()无法更改。- na
要解释为缺失值的字符串的字符向量。此字符串中不允许使用引号。默认为空字符串
""。- eol
用于结束行的换行符。默认为
"\n"。- quote
如何处理包含需要加引号的字符的字段。
needed- 将所有需要引号的字符串和二进制值括在引号中，因为它们的 CSV 渲染本身可能包含引号（默认值）all- 将所有有效值括在引号中。空值不加引号。如果推断模式，可能会导致读取器将所有值解释为字符串。none- 不要将任何值括在引号中。防止值包含引号 (")、单元格分隔符 (,) 或换行符 (\r、\n)（遵循 RFC4180）。如果值包含这些字符，则尝试写入时会导致错误。