使用 PyArrow + Parquet + Google Cloud Storage 时如何实现谓词下推？

Posted 2023-02-19

【中文标题】使用 PyArrow + Parquet + Google Cloud Storage 时如何实现谓词下推？

【英文标题】：How can I achieve predicate pushdown when using PyArrow + Parquet + Google Cloud Storage?

【发布时间】：2021-07-15 22:28:20

【问题描述】：

我真正想做的是（在 Python 中）：

import pyarrow.parquet as pq

# Note the 'columns' predicate...
table = pq.read_table('gs://my_bucket/my_blob.parquet', columns=['a', 'b', 'c'])

首先，我认为 PyArrow 从 V3.0.0 开始不支持 gs://。 所以只好修改代码使用fsspec接口：https://arrow.apache.org/docs/python/filesystems.html

import pyarrow.parquet as pq
import gcsfs

fs = gcsfs.GCSFileSystem(project='my-google-project')
with fs.open('my_bucket/my_blob.parquet', 'rb') as file:
    table = pq.read_table(file.read(), columns=['a', 'b', 'c'])

这是否实现了谓词下推（我对此表示怀疑，因为我已经用 file.read() 准备好整个文件），还是有更好的方法来实现？

【问题讨论】：

你试过table = pq.read_table(file, columns=['a', 'b', 'c'])（没有read）。 read_table 支持“类文件对象”作为参数

【参考方案1】：

这行得通吗？

import pyarrow.parquet as pq
import gcsfs

fs = gcsfs.GCSFileSystem(project='my-google-project')
table = pq.read_table('gs://my_bucket/my_blob.parquet', columns=['a', 'b', 'c'], filesystem=fs)

【讨论】：

@user5406764 你能告诉我们这是否适合你

是的，这确实有效。我测试了将列设置为单个已知列而不是根本不指定列的加载时间。单列加载时间明显更快。