r - 有没有办法在读取 Parquet 文件时处理嵌入的 null ？

Question

我从互联网上抓取了数据(因此有不同的编码)并存储为 Parquet 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)

我明白了-

Error in Table__to_dataframe(x, use_threads = option_use_threads()) : 
  embedded nul in string: '\0 at \0'

所以，我想，如果我可以将文件作为二进制文件读取并自己替换嵌入的 nul 字符\0 会怎样。

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，我得到了无法辨认的字符流和 null，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 Parquet ？或者是否有一种模式可以用来有效地从以下 Parquet 字符串中删除嵌入的空值？

例如，当我读取存储为 csv 的同一文件时，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) 

这里，skipNul 有效地跳过 Nuls 并返回具有所需维度的 data.frame。

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

引用文献: Arrow manual

Answer 1

这可能是 bug 。 arrow 正在正常读取该文件。将其转换为数据帧时出现错误。

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>

具体来说，第二列 raw 存在问题。阅读其他所有专栏都可以正常工作。

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: '\0 at \0'

没有什么好方法可以成功阅读该专栏。您可以将其作为二进制读取，丢弃nul，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