这是Arrow元数据规范的文档,它使系统能够通信
创新互联为企业级客户提高一站式互联网+设计服务,主要包括成都网站建设、网站设计、app软件开发、小程序设计、宣传片制作、LOGO设计等,帮助客户快速提升营销能力和企业形象,创新互联各部门都有经验丰富的经验,可以确保每一个作品的质量和创作周期,同时每年都有很多新员工加入,为我们带来大量新的创意。
我们正在使用Flatbuffers进行低开销读写Arrow元数据。请参阅Message.fbs。
Schema类型描述了由任意数量的Arrow数组组成的表状结构,每个Arrow数组可以被解释为表中的一列。模式本身不描述任何特定数据集的物理结构。
模式由一系列字段组成,这些字段是描述列的元数据。Flatbuffers IDL的一个字段是:
table Field {
// Name is not required, in i.e. a List
name: string;
nullable: bool;
type: Type;
// present only if the field is dictionary encoded
// will point to a dictionary provided by a DictionaryBatch message
dictionary: long;
// children apply only to Nested data types like Struct, List and Union
children: [Field];
/// layout of buffers produced for this type (as derived from the Type)
/// does not include children
/// each recordbatch will return instances of those Buffers.
layout: [ VectorLayout ];
// User-defined metadata
custom_metadata: [ KeyValue ];
}
type是字段的逻辑类型。嵌套类型(如List,Struct和Union)具有一系列子字段。
还提供了该模式的JSON表示形式:字段:
{
"name" : "name_of_the_field",
"nullable" : false,
"type" : /* Type */,
"children" : [ /* Field */ ],
"typeLayout" : {
"vectors" : [ /* VectorLayout */ ]
}
}
VectorLayout:
{
"type" : "DATA|OFFSET|VALIDITY|TYPE",
"typeBitWidth" : /* int */
}
Type:
{
"name" :"null|struct|list|union|int|floatingpoint|utf8|binary|fixedsizebinary|bool|decimal|date|time|timestamp|interval"
// fields as defined in the Flatbuffer depending on the type name
}
Union:
{
"name" : "union",
"mode" : "Sparse|Dense",
"typeIds" : [ /* integer */ ]
}
在Union中的typeIds字段是用于表示每种类型的编码,其可以与从子数组的索引不同。这样就可以使用联合类型ids不需要从0开始枚举。
Int:
{
"name" : "int",
"bitWidth" : /* integer */,
"isSigned" : /* boolean */
}
FloatingPoint:
{
"name" : "floatingpoint",
"precision" : "HALF|SINGLE|DOUBLE"
}
Decimal:
{
"name" : "decimal",
"precision" : /* integer */,
"scale" : /* integer */
}
Timestamp:
{
"name" : "timestamp",
"unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND"
}
Date:
{
"name" : "date",
"unit" : "DAY|MILLISECOND"
}
Time:
{
"name" : "time",
"unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND",
"bitWidth": /* integer: 32 or 64 */
}
Interval:
{
"name" : "interval",
"unit" : "YEAR_MONTH|DAY_TIME"
}
Schema:
{
"fields" : [
/* Field */
]
}
RecordBatch是顶级命名的等长Arrow数组(或向量)的集合。如果其中一个数组包含嵌套数据,则其子数组不需要与顶级数组的长度相同。
可以被认为是特定模式的实现。描述特定RecordBatch的元数据称为“数据头”。这是用于RecordBatch数据头的Flatbuffers的IDL
table RecordBatch {
length: long;
nodes: [FieldNode];
buffers: [Buffer];
}
所述RecordBatch元数据提供与长度超过2^31- 1的记录批次,但Arrow实现不要求实现支持超出这一大小。
通过对给定的内存中数据集的模式(可能包含嵌套类型)进行深度优先遍历/扁平化,生成nodes和buffers字段。
缓冲区是描述相对于某些虚拟地址空间的连续内存区域的元数据。这可能包括:
文件中的数据
缓冲区类型的键形式是:
struct Buffer {
offset: long;
length: long;
}
在record batch的上下文中,每个字段具有与其相关联的一些数量的缓冲区,它们源于其物理内存布局。
每个逻辑类型(与其子节点分开,如果它是一个嵌套类型)具有与之相关联的确定性数量的缓冲区。这些将在逻辑类型部分中指定。
所述FieldNode值包含关于在嵌套类型层次每个等级的元数据。
struct FieldNode {
/// The number of value slots in the Arrow array at this level of a nested
/// tree
length: long;
/// The number of observed nulls.
null_count: lohng;
}
所述FieldNode元数据提供长度超过2^31- 1的字段,但是Arrow不要求实现支持大型数组。
嵌套类型以深度优先顺序在record batch中扁平化。当访问嵌套类型树中的每个字段时,元数据将附加到顶级fields数组,并将与该字段相关联的缓冲区(但不是其子级)附加到buffers数组。
例如,让我们考虑模式:
col1: Struct, c: Float64>
col2: Utf8
其扁平化版本是:
FieldNode 0: Struct name='col1'
FieldNode 1: Int32 name=a'
FieldNode 2: List name='b'
FieldNode 3: Int64 name='item' # arbitrary
FieldNode 4: Float64 name='c'
FieldNode 5: Utf8 name='col2'
对于生成的缓冲区,将具有以下内容(如下面对于每种类型的更详细描述):
buffer 0: field 0 validity bitmap
buffer 1: field 1 validity bitmap
buffer 2: field 1 values
buffer 3: field 2 validity bitmap
buffer 4: field 2 list offsets
buffer 5: field 3 validity bitmap
buffer 6: field 3 values
buffer 7: field 4 validity bitmap
buffer 8: field 4 values
buffer 9: field 5 validity bitmap
buffer 10: field 5 offsets
buffer 11: field 5 data
逻辑类型由类型名称和元数据以及对物理内存表示的显式映射组成。这些可能分为不同的类别:
在Arrow的第一个版本中,我们提供标准的8位到64位大小的标准C整数类型,包括有符号和无符号:
● 有符号类型:Int8,Int16,Int32,Int64
● 无符号类型:UInt8,UInt16,UInt32,UInt64
IDL看起来像:
table Int {
bitWidth: int;
is_signed: bool;
}
整数字节顺序当前在模式级别全局设置。如果一个模式设置为little-endian(低位编址),那么出现在其中的所有整数类型都必须是little-endian。整数作为其他数据表示的一部分(如列表偏移量和联合类型)必须与整个Record Batch具有相同的字节顺序。
我们提供3种类型的浮点数作为固定位宽的基本数组
enum Precision:int {HALF, SINGLE, DOUBLE}
table FloatingPoint {
precision: Precision;
}
布尔逻辑类型表示为1位宽的基本(原语)物理类型。这些位使用最低有效位(LSB)排序进行编号。
像其他固定的位宽基本类型一样,布尔数据在数据头中显示为2个缓冲区(一个位图为有效向量,另一个为值)。
List逻辑类型是(和相同名称)列表物理类型的逻辑对应。
在数据头格式中,List字段节点包含2个缓冲区:
我们为可变长度字节指定两种逻辑类型:
TBD
所有时间戳都以64位整数存储,有四个单位:秒,毫秒,微秒和纳秒。
支持两种不同的日期类型:
时间支持相同的单位:秒,毫秒,微秒和纳秒。我们将时间表示为容纳指定单位的最小整数。对于秒和毫秒:32位,其他64位。