Comment interroger des fichiers Parquet

Une grande partie des données mondiales se trouve dans des buckets Amazon S3. Dans ce guide, nous allons voir comment interroger ces données à l’aide de chDB.

Préparation

Commençons par créer un environnement virtuel :

python -m venv .venv
source .venv/bin/activate

Et maintenant, nous allons installer chDB. Assurez-vous d’avoir la version 2.0.2 ou une version ultérieure :

pip install "chdb>=2.0.2"

Nous allons maintenant installer IPython :

pip install ipython

Nous allons utiliser ipython pour exécuter les commandes dans la suite de ce guide, que vous pouvez lancer en exécutant :

ipython

Vous pouvez également utiliser le code dans un script Python ou votre notebook préféré.

Exploration des métadonnées Parquet

Nous allons explorer un fichier Parquet du jeu de données avis Amazon. Mais d’abord, installons chDB :

import chdb

Lorsque nous interrogeons des fichiers Parquet, nous pouvons utiliser le format d’entrée ParquetMetadata pour renvoyer les métadonnées Parquet plutôt que le contenu du fichier. Utilisons la clause DESCRIBE pour voir les champs renvoyés avec ce format :

query = """
DESCRIBE s3(
  'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet', 
  ParquetMetadata
)
SETTINGS describe_compact_output=1
"""

chdb.query(query, 'TabSeparated')

num_columns     UInt64
num_rows        UInt64
num_row_groups  UInt64
format_version  String
metadata_size   UInt64
total_uncompressed_size UInt64
total_compressed_size   UInt64
columns Array(Tuple(name String, path String, max_definition_level UInt64, max_repetition_level UInt64, physical_type String, logical_type String, compression String, total_uncompressed_size UInt64, total_compressed_size UInt64, space_saved String, encodings Array(String)))
row_groups      Array(Tuple(num_columns UInt64, num_rows UInt64, total_uncompressed_size UInt64, total_compressed_size UInt64, columns Array(Tuple(name String, path String, total_compressed_size UInt64, total_uncompressed_size UInt64, have_statistics Bool, statistics Tuple(num_values Nullable(UInt64), null_count Nullable(UInt64), distinct_count Nullable(UInt64), min Nullable(String), max Nullable(String))))))

Examinons maintenant les métadonnées de ce fichier. columns et row_groups contiennent tous deux des tableaux de tuples avec de nombreuses propriétés ; nous allons donc les exclure pour l’instant.

query = """
SELECT * EXCEPT(columns, row_groups)
FROM s3(
  'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet', 
  ParquetMetadata
)
"""

chdb.query(query, 'Vertical')

Row 1:
──────
num_columns:             15
num_rows:                41905631
num_row_groups:          42
format_version:          2.6
metadata_size:           79730
total_uncompressed_size: 14615827169
total_compressed_size:   9272262304

D’après cette sortie, on voit que ce fichier Parquet contient plus de 40 millions de lignes, réparties en 42 groupes de lignes, avec 15 colonnes de données par ligne. Un groupe de lignes correspond à une partition logique horizontale des données en lignes. Chaque groupe de lignes possède des métadonnées associées, et les outils de requête peuvent exploiter ces métadonnées pour interroger efficacement le fichier. Jetons un coup d’œil à l’un des groupes de lignes :

query = """
WITH rowGroups AS (
    SELECT rg
    FROM s3(
    'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
    ParquetMetadata
    )
    ARRAY JOIN row_groups AS rg
    LIMIT 1
)
SELECT tupleElement(c, 'name') AS name, tupleElement(c, 'total_compressed_size') AS total_compressed_size, 
       tupleElement(c, 'total_uncompressed_size') AS total_uncompressed_size,
       tupleElement(tupleElement(c, 'statistics'), 'min') AS min,
       tupleElement(tupleElement(c, 'statistics'), 'max') AS max
FROM rowGroups
ARRAY JOIN tupleElement(rg, 'columns') AS c
"""

chdb.query(query, 'DataFrame')

                 name  total_compressed_size  total_uncompressed_size                                                min                                                max
       review_date                    493                      646                                              16455                                              16472
       marketplace                     66                       64                                                 US                                                 US
       customer_id                5207967                  7997207                                              10049                                           53096413
         review_id               14748425                 17991290                                     R10004U8OQDOGE                                      RZZZUTBAV1RYI
        product_id                8003456                 13969668                                         0000032050                                         BT00DDVMVQ
    product_parent                5758251                  7974737                                                645                                          999999730
     product_title               41068525                 63355320  ! Small S 1pc Black 1pc Navy (Blue) Replacemen...                            🌴 Vacation On The Beach
  product_category                   1726                     1815                                            Apparel                                       Pet Products
       star_rating                 369036                   374046                                                  1                                                  5
     helpful_votes                 538940                  1022990                                                  0                                               3440
      total_votes                 610902                  1080520                                                  0                                               3619
             vine                  11426                   125999                                                  0                                                  1
verified_purchase                 102634                   125999                                                  0                                                  1
  review_headline               16538189                 27634740                                                     🤹🏽‍♂️🎤Great product. Practice makes perfect. D...
      review_body              145886383                232457911                                                                                              🚅 +🐧=💥 😀

Interroger les fichiers Parquet

Ensuite, interrogeons le contenu du fichier. Pour cela, il suffit d’adapter la requête ci-dessus en supprimant ParquetMetadata, puis, par exemple, de calculer la valeur star_rating la plus fréquente parmi tous les avis :

query = """
SELECT star_rating, count() AS count, formatReadableQuantity(count)
FROM s3(
  'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet'
)
GROUP BY ALL
ORDER BY star_rating
"""

chdb.query(query, 'DataFrame')

   star_rating     count formatReadableQuantity(count())
          1   3253070                    3.25 million
          2   1865322                    1.87 million
          3   3130345                    3.13 million
          4   6578230                    6.58 million
          5  27078664                   27.08 million

Fait intéressant, il y a plus d’avis 5 étoiles que toutes les autres notes réunies ! On dirait que les gens apprécient les produits sur Amazon ou, quand ce n’est pas le cas, ils ne prennent tout simplement pas la peine de laisser une note.

Premiers pas

Intégrations par langage

DataStore

Configuration

Débogage

Guides pour les développeurs

Référence technique

Préparation

Exploration des métadonnées Parquet

Interroger les fichiers Parquet

​Préparation

​Exploration des métadonnées Parquet

​Interroger les fichiers Parquet

Préparation

Exploration des métadonnées Parquet

Interroger les fichiers Parquet