有没有办法在读取 parquet 文件时处理嵌入的 nul?

Is there a way to deal with embedded nuls while reading in parquet files?

我从互联网上抓取数据(因此编码不同)并存储为镶木地板文件。在 R 中处理它时,我使用箭头库。对于以下代码片段

library(arrow)

download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.parquet','sample.parquet')

read_parquet(file = 'sample.parquet',as_data_frame = TRUE)

我得到 -

Error in Table__to_dataframe(x, use_threads = option_use_threads()) : 
  embedded nul in string: '[=11=] at [=11=]'

所以,我想,如果我可以将文件读取为二进制文件并自己替换嵌入的 nul 字符 \0 会怎么样。

parquet <- read_parquet(file = 'sample.parquet',as_data_frame = FALSE) 
raw <- write_to_raw(parquet,format = "file") 
print(raw)

在这种情况下,我得到了一个无法辨认的字符流和空值,这使得删除流中有问题的“00”字符变得非常困难。

  [1] 41 52 52 4f 57 31 00 00 ff ff ff ff d0 02 00 00 10 00 00 00 00 00 0a 00 0c 00 06 00
  [29] 05 00 08 00 0a 00 00 00 00 01 04 00 0c 00 00 00 08 00 08 00 00 00 04 00 08 00 00 00
  [57] 04 00 00 00 0d 00 00 00 70 02 00 00 38 02 00 00 10 02 00 00 d0 01 00 00 a4 01 00 00
  [85] 74 01 00 00 34 01 00 00 04 01 00 00 cc 00 00 00 9c 00 00 00 64 00 00 00 34 00 00 00
 [113] 04 00 00 00 d4 fd ff ff 00 00 01 05 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00
 [141] c4 fd ff ff 0a 00 00 00 77 61 72 63 5f 6c 61 6e 67 73 00 00 00 fe ff ff 00 00 01 05
 [169] 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00 f0 fd ff ff 0b 00 00 00 6c 61 6e 67
 [197] 5f 64 65 74 65 63 74 00 2c fe ff ff 00 00 01 03 18 00 00 00 0c 00 00 00 04 00 

有没有一种方法可以在读取时跳过嵌入的 nul 来读取镶木地板? 或者是否有一种模式可用于有效地从以下镶木地板字符串中删除嵌入的空值?

例如,当我读取存储为 csv 的同一个文件时,R 提供了安全读取它的功能:

download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.tsv','sample.tsv')
table <- read.csv('sample.tsv', sep = '\t',quote = """, skipNul = TRUE) 

在这里,skipNul 有效地跳过了 Nuls 和 returns data.frame 具有所需的维度。

Session 信息:

> sessionInfo()
R version 3.4.4 (2018-03-15)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 18.04.5 LTS

Matrix products: default
BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.7.1
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.7.1

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C               LC_TIME=en_US.UTF-8       
 [4] LC_COLLATE=en_US.UTF-8     LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
 [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                  LC_ADDRESS=C              
[10] LC_TELEPHONE=C             LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] stringr_1.4.0  dplyr_1.0.2    tictoc_1.0     arrow_1.0.1    sparklyr_1.4.0

参考资料: Arrow manual

这可能是 bugarrow 正常读取文件。将其转换为数据框时出现错误。

library(arrow)
library(tidyverse)

read_parquet("parquet.parquet", as_data_frame = FALSE)
#> Table
#> 45483 rows x 13 columns
#> $date <string>
#>   $raw <string>
#>   $url <string>
#>   $isReliable <int64>
#>   $title <string>
#>   $language1 <string>
#>   $language1_conf <int64>
#>   $language2 <string>
#>   $language2_conf <int64>
#>   $language3 <string>
#>   $language3_conf <int64>
#>   $lang_detect <string>
#>   $warc_first <string>

具体而言,第二列 raw 存在问题。每隔一列阅读就可以了。

df_except_bad_col <- read_parquet("parquet.parquet", col_select = -2)
df_except_bad_col
#> # A tibble: 45,483 x 12
#> date  url   isReliable title language1 language1_conf language2 language2_conf language3 language3_conf lang_detect
#> <chr> <chr>      <int> <chr> <chr>              <int> <chr>              <int> <chr>              <int> <chr>      
#>   1 2019~ http~          1 2019~ ja                    96 en                     2 un                     0 ja         
#> 2 2020~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 3 2020~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 4 2020~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 5 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 6 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 7 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 8 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 9 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> 10 2019~ http~          1 Косм~ ru                    87 en                     3 un                     0 ru         
#> # ... with 45,473 more rows, and 1 more variable: warc_first <chr>

将该列转换为向量会导致问题。

bad_column <- read_parquet("parquet.parquet", col_select = 2, as_data_frame = FALSE)
bad_column[[1]]$as_vector()
#> Error in ChunkedArray__as_vector(self) : 
#>   embedded nul in string: '[=12=] at [=12=]'

没有很好的方法可以成功阅读专栏。您可以将其作为二进制读入,丢弃 nuls,然后转换为字符

fixed_column <-
  bad_column[[1]]$cast(binary())$as_vector() %>%
  map(discard, ~. == 0x00) %>%
  map_chr(rawToChar)
  
mutate(df_except_bad_col, raw = fixed_column)
#> # A tibble: 45,483 x 13
#>    date        url                    isReliable title                     language1 language1_conf language2 language2_conf language3 language3_conf lang_detect warc_first raw              
#>    <chr>       <chr>                       <int> <chr>                     <chr>              <int> <chr>              <int> <chr>              <int> <chr>       <chr>      <chr>            
#>  1 2019-12-31  http://10mm.hatenablo~          1 2019-12-31から1日間の記事一覧 - 1~ ja                    96 en                     2 un                     0 ja          ja         "2019-12-31"     
#>  2 2020-06-10~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "10 июнÑ\u008~
#>  3 2020-06-04~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "4 июнÑ\u008f~
#>  4 2020-05-29~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "29 маÑ\u008f ~
#>  5 2019-12-19~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "19 декабр~
#>  6 2019-12-15~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "15 декабр~
#>  7 2019-12-13~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "13 декабр~
#>  8 2019-10-14~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "14 октÑ\u008~
#>  9 2019-10-02~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "2 октÑ\u008f~
#> 10 2019-09-14~ http://3dmag.org/ru/t~          1 Космос / Поиск по тегам ~ ru                    87 en                     3 un                     0 ru          ru         "14 Ñ\u0081енÑ~
#> # ... with 45,473 more rows

arrow 3.0.0(现在在 CRAN 上)中,您可以设置此选项以去除嵌入的空值:

options(arrow.skip_nul = TRUE)

在您的 R 会话中执行此操作后,read_parquet() 如果遇到嵌入的 nul,则会成功并发出此警告:

Warning message:
Stripping '[=11=]' (nul) from character vector