ParquetMetadata

ParquetMetadata 格式文档

​

描述

用于读取 Parquet 文件元数据的特殊格式 (https://parquet.apache.org/docs/file-format/metadata/)。它始终只输出一行，结构/内容如下：

• num_columns - 列数
• “num_rows` - 总行数
• num_row_groups - 行组总数
• format_version - Parquet 格式版本，始终为 1.0 或 2.6
• total_uncompressed_size - 数据未压缩的总字节大小，计算方式为所有行组的 total_byte_size 之和
• total_compressed_size - 数据压缩后的总字节大小，计算方式为所有行组的 total_compressed_size 之和
• columns - 列元数据列表，结构如下：
  • name - 列名
  • path - 列路径 (对于嵌套列，与 name 不同)
  • max_definition_level - 最大定义级别
  • max_repetition_level - 最大重复级别
  • physical_type - 列的物理类型
  • logical_type - 列的逻辑类型
  • compression - 此列使用的压缩方式
  • total_uncompressed_size - 该列未压缩的总字节大小，计算方式为所有行组中该列的 total_uncompressed_size 之和
  • total_compressed_size - 该列压缩后的总字节大小，计算方式为所有行组中该列的 total_compressed_size 之和
  • space_saved - 压缩节省的空间百分比，计算方式为 (1 - total_compressed_size/total_uncompressed_size)。
  • encodings - 此列使用的编码列表
• row_groups - 行组元数据列表，结构如下：
  • num_columns - 行组中的列数
  • num_rows - 行组中的行数
  • total_uncompressed_size - 行组未压缩的总字节大小
  • total_compressed_size - 行组压缩后的总字节大小
  • columns - 列块元数据列表，结构如下：
    • name - 列名
    • path - 列路径
    • total_compressed_size - 该列压缩后的总字节大小
    • total_uncompressed_size - 行组未压缩的总字节大小
    • have_statistics - 布尔标志，表示列块元数据是否包含列统计信息
    • statistics - 列块统计信息 (如果 have_statistics = false，则所有字段均为 NULL) ，结构如下：
      • num_values - 列块中非 NULL 值的数量
      • null_count - 列块中 NULL 值的数量
      • distinct_count - 列块中不同值的数量
      • min - 列块的最小值
      • max - 列块的最大值

​

示例用法

示例：

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"
                    }
                }
            ]
        },
        ...
    ]
}