pyarrow可以将多个拼花文件写入一个文件夹中，比如fastparquet的file_hive=“hive”选项吗？

Question

我有一个数百万条记录SQL表，我计划使用py箭头库将它写入文件夹中的许多拼板文件。数据内容似乎太大，无法存储在一个单一的拼花文件。

但是，我似乎找不到一个API或参数，它允许我指定如下内容：

file_scheme="hive"

正如快速拼板python库所支持的那样。

下面是我的示例代码：

#!/usr/bin/python

import pyodbc
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq

conn_str = 'UID=username;PWD=passwordHere;' + 
    'DRIVER=FreeTDS;SERVERNAME=myConfig;DATABASE=myDB'

#----> Query the SQL database into a Pandas dataframe
conn = pyodbc.connect( conn_str, autocommit=False)
sql = "SELECT * FROM ClientAccount (NOLOCK)"
df = pd.io.sql.read_sql(sql, conn)


#----> Convert the dataframe to a pyarrow table and write it out
table = pa.Table.from_pandas(df)
pq.write_table(table, './clients/' )

这会引发一个错误：

File "/usr/local/lib/python2.7/dist-packages/pyarrow/parquet.py", line 912, in write_table
    os.remove(where)
OSError: [Errno 21] Is a directory: './clients/'

如果我用以下内容替换最后一行，它可以正常工作，但只写一个大文件：

pq.write_table(table, './clients.parquet' )

有什么想法吗?我怎样才能用pyarrow实现多文件输出呢？

Answer 1

试试pyarrow.parquet.write_to_dataset https://github.com/apache/arrow/blob/master/python/pyarrow/parquet.py#L938。

我打开了https://issues.apache.org/jira/browse/ARROW-1858，介绍了添加更多有关这方面的文档。

我建议在邮件列表dev@arrow.apache.org中寻求对Apache的支持。谢谢!