ParquetMetadata

Documentação do formato ParquetMetadata

​

Descrição

Formato especial para ler metadados de arquivo Parquet (https://parquet.apache.org/docs/file-format/metadata/). Ele sempre retorna uma linha com a seguinte estrutura/conteúdo:

• num_columns - o número de colunas
• “num_rows` - o número total de linhas
• num_row_groups - o número total de grupos de linhas
• format_version - versão do formato Parquet, sempre 1.0 ou 2.6
• total_uncompressed_size - tamanho total dos dados em bytes não compactados, calculado como a soma de total_byte_size de todos os grupos de linhas
• total_compressed_size - tamanho total dos dados em bytes compactados, calculado como a soma de total_compressed_size de todos os grupos de linhas
• columns - a lista de metadados das colunas com a seguinte estrutura:
  • name - nome da coluna
  • path - caminho da coluna (difere de name para coluna aninhada)
  • max_definition_level - nível máximo de definição
  • max_repetition_level - nível máximo de repetição
  • physical_type - tipo físico da coluna
  • logical_type - tipo lógico da coluna
  • compression - compressão usada para esta coluna
  • total_uncompressed_size - tamanho total da coluna em bytes não compactados, calculado como a soma de total_uncompressed_size da coluna em todos os grupos de linhas
  • total_compressed_size - tamanho total da coluna em bytes compactados, calculado como a soma de total_compressed_size da coluna em todos os grupos de linhas
  • space_saved - percentual de espaço economizado pela compressão, calculado como (1 - total_compressed_size/total_uncompressed_size).
  • encodings - a lista de codificações usadas para esta coluna
• row_groups - a lista de metadados dos grupos de linhas com a seguinte estrutura:
  • num_columns - o número de colunas no grupo de linhas
  • num_rows - o número de linhas no grupo de linhas
  • total_uncompressed_size - tamanho total do grupo de linhas em bytes não compactados
  • total_compressed_size - tamanho total do grupo de linhas em bytes compactados
  • columns - a lista de metadados dos fragmentos de coluna com a seguinte estrutura:
    • name - nome da coluna
    • path - caminho da coluna
    • total_compressed_size - tamanho total da coluna em bytes compactados
    • total_uncompressed_size - tamanho total do grupo de linhas em bytes não compactados
    • have_statistics - sinalizador booleano que indica se os metadados do fragmento de coluna contêm estatísticas da coluna
    • statistics - estatísticas do fragmento de coluna (todos os campos são NULL se have_statistics = false) com a seguinte estrutura:
      • num_values - o número de valores não nulos no fragmento de coluna
      • null_count - o número de valores NULL no fragmento de coluna
      • distinct_count - o número de valores distintos no fragmento de coluna
      • min - o valor mínimo do fragmento de coluna
      • max - o valor máximo do fragmento de coluna

​

Exemplo de uso

Exemplo:

SELECT * 
FROM file(data.parquet, ParquetMetadata) 
FORMAT PrettyJSONEachRow

{
    "num_columns": "2",
    "num_rows": "100000",
    "num_row_groups": "2",
    "format_version": "2.6",
    "metadata_size": "577",
    "total_uncompressed_size": "282436",
    "total_compressed_size": "26633",
    "columns": [
        {
            "name": "number",
            "path": "number",
            "max_definition_level": "0",
            "max_repetition_level": "0",
            "physical_type": "INT32",
            "logical_type": "Int(bitWidth=16, isSigned=false)",
            "compression": "LZ4",
            "total_uncompressed_size": "133321",
            "total_compressed_size": "13293",
            "space_saved": "90.03%",
            "encodings": [
                "RLE_DICTIONARY",
                "PLAIN",
                "RLE"
            ]
        },
        {
            "name": "concat('Hello', toString(modulo(number, 1000)))",
            "path": "concat('Hello', toString(modulo(number, 1000)))",
            "max_definition_level": "0",
            "max_repetition_level": "0",
            "physical_type": "BYTE_ARRAY",
            "logical_type": "None",
            "compression": "LZ4",
            "total_uncompressed_size": "149115",
            "total_compressed_size": "13340",
            "space_saved": "91.05%",
            "encodings": [
                "RLE_DICTIONARY",
                "PLAIN",
                "RLE"
            ]
        }
    ],
    "row_groups": [
        {
            "num_columns": "2",
            "num_rows": "65409",
            "total_uncompressed_size": "179809",
            "total_compressed_size": "14163",
            "columns": [
                {
                    "name": "number",
                    "path": "number",
                    "total_compressed_size": "7070",
                    "total_uncompressed_size": "85956",
                    "have_statistics": true,
                    "statistics": {
                        "num_values": "65409",
                        "null_count": "0",
                        "distinct_count": null,
                        "min": "0",
                        "max": "999"
                    }
                },
                {
                    "name": "concat('Hello', toString(modulo(number, 1000)))",
                    "path": "concat('Hello', toString(modulo(number, 1000)))",
                    "total_compressed_size": "7093",
                    "total_uncompressed_size": "93853",
                    "have_statistics": true,
                    "statistics": {
                        "num_values": "65409",
                        "null_count": "0",
                        "distinct_count": null,
                        "min": "Hello0",
                        "max": "Hello999"
                    }
                }
            ]
        },
        ...
    ]
}