Apache Arrow是是各種大數據工具（包括BigQuery）使用的一種流行格式，它是平面和分層數據的存儲格式。它是一種加快應用程序內存密集型。
數據處理和數據科學領域中的常用庫： Apache Arrow 。諸如Apache Parquet，Apache Spark，pandas之類的開放源代碼項目以及許多商業或封閉源代碼服務都使用Arrow。它提供以下功能：
- 內存計算
- 標準化的柱狀存儲格式
- 一個IPC和RPC框架，分別用于進程和節點之間的數據交換
讓我們看一看在Arrow出現之前事物是如何工作的：
我們可以看到，為了使Spark從Parquet文件中讀取數據，我們需要以Parquet格式讀取和反序列化數據。這要求我們通過將數據加載到內存中來制作數據的完整副本。首先，我們將數據讀入內存緩沖區，然后使用Parquet的轉換方法將數據（例如字符串或數字）轉換為我們的編程語言的表示形式。這是必需的，因為Parquet表示的數字與Python編程語言表示的數字不同。
由于許多原因，這對于性能來說是一個很大的問題：
- 我們正在復制數據并在其上運行轉換步驟。數據的格式不同，我們需要對所有數據進行讀取和轉換，然后再對數據進行任何計算。
- 我們正在加載的數據必須放入內存中。您只有8GB的RAM，數據是10GB嗎？你真倒霉！
現在，讓我們看一下Apache Arrow如何改進這一點：
Arrow無需復制和轉換數據，而是了解如何直接讀取和操作數據。為此，Arrow社區定義了一種新的文件格式以及直接對序列化數據起作用的操作。可以直接從磁盤讀取此數據格式，而無需將其加載到內存中并轉換/反序列化數據。當然，部分數據仍將被加載到RAM中，但您的數據不必放入內存中。Arrow使用其文件的內存映射功能，僅在必要和可能的情況下將盡可能多的數據加載到內存中。
Apache Arrow支持以下語言：
- C++
- C#
- Go
- Java
- JavaScript
- Rust
- Python (through the C++ library)
- Ruby (through the C++ library)
- R (through the C++ library)
- MATLAB (through the C++ library).
Arrow特點
Arrow首先是提供用于內存計算的列式數據結構的庫，可以將任何數據解壓縮并解碼為Arrow柱狀數據結構，以便隨后可以對解碼后的數據進行內存內分析。Arrow列格式具有一些不錯的屬性：隨機訪問為O（1），每個值單元格在內存中的前一個和后一個相鄰，因此進行迭代非常有效。
Apache Arrow定義了一種二進制“序列化”協議，用于安排Arrow列數組的集合（稱為“記錄批處理”），該數組可用于消息傳遞和進程間通信。您可以將協議放在任何地方，包括磁盤上，以后可以對其進行內存映射或讀入內存并發送到其他地方。
Arrow協議的設計目的是使您可以“映射”一個Arrow數據塊而不進行任何反序列化，因此對磁盤上的Arrow協議數據執行分析可以使用內存映射并有效地支付零成本。該協議用于很多事情，例如Spark SQL和Python之間的流數據，用于針對Spark SQL數據塊運行pandas函數，這些被稱為“ pandas udfs”。
Arrow是為內存而設計的（但是您可以將其放在磁盤上，然后再進行內存映射）。它們旨在相互兼容，并在應用程序中一起使用，而其競爭對手Apache Parquet文件是為磁盤存儲而設計的。
優點：Apache Arrow為平面和分層數據定義了一種獨立于語言的列式存儲格式，該格式組織為在CPU和GPU等現代硬件上進行高效的分析操作而組織。Arrow存儲器格式還支持零拷貝讀取，以實現閃電般的數據訪問，而無需序列化開銷。
Java的Apache Arrow
導入庫：
<dependency>
<groupId>org.apache.arrow</groupId>
<artifactId>arrow-memory-netty</artifactId>
<version>${arrow.version}</version>
</dependency>
<dependency>
<groupId>org.apache.arrow</groupId>
<artifactId>arrow-vector</artifactId>
<version>${arrow.version}</version>
</dependency>
在開始之前，必須了解對于Arrow的讀/寫操作，使用了字節緩沖區。諸如讀取和寫入之類的操作是字節的連續交換。為了提高效率，Arrow附帶了一個緩沖區分配器，該緩沖區分配器可以具有一定的大小，也可以具有自動擴展功能。支持分配管理的庫是arrow-memory-netty和arrow-memory-unsafe。我們這里使用netty。
用Arrow存儲數據需要一個模式，模式可以通過編程定義：
package com.gkatzioura.arrow;
import java.io.IOException;
import java.util.List;
import org.apache.arrow.vector.types.pojo.ArrowType;
import org.apache.arrow.vector.types.pojo.Field;
import org.apache.arrow.vector.types.pojo.FieldType;
import org.apache.arrow.vector.types.pojo.Schema;
public class SchemaFactory {
public static Schema DEFAULT_SCHEMA = createDefault();
public static Schema createDefault() {
var strField = new Field("col1", FieldType.nullable(new ArrowType.Utf8()), null);
var intField = new Field("col2", FieldType.nullable(new ArrowType.Int(32, true)), null);
return new Schema(List.of(strField, intField));
}
public static Schema schemaWithChildren() {
var amount = new Field("amount", FieldType.nullable(new ArrowType.Decimal(19,4,128)), null);
var currency = new Field("currency",FieldType.nullable(new ArrowType.Utf8()), null);
var itemField = new Field("item", FieldType.nullable(new ArrowType.Utf8()), List.of(amount,currency));
return new Schema(List.of(itemField));
}
public static Schema fromJson(String jsonString) {
try {
return Schema.fromJSON(jsonString);
} catch (IOException e) {
throw new ArrowExampleException(e);
}
}
}
他們也有一個可解析的json表示形式：
{
"fields" : [ {
"name" : "col1",
"nullable" : true,
"type" : {
"name" : "utf8"
},
"children" : [ ]
}, {
"name" : "col2",
"nullable" : true,
"type" : {
"name" : "int",
"bitWidth" : 32,
"isSigned" : true
},
"children" : [ ]
} ]
}
另外，就像Avro一樣，您可以在字段上設計復雜的架構和嵌入式值：
public static Schema schemaWithChildren() {
var amount = new Field("amount", FieldType.nullable(new ArrowType.Decimal(19,4,128)), null);
var currency = new Field("currency",FieldType.nullable(new ArrowType.Utf8()), null);
var itemField = new Field("item", FieldType.nullable(new ArrowType.Utf8()), List.of(amount,currency));
return new Schema(List.of(itemField));
}
基于上面的的Schema，我們將為我們的類創建一個DTO：
package com.gkatzioura.arrow;
import lombok.Builder;
import lombok.Data;
@Data
@Builder
public class DefaultArrowEntry {
private String col1;
private Integer col2;
}
我們的目標是將這些Java對象轉換為Arrow字節流。
1. 使用分配器創建 DirectByteBuffer
這些緩沖區是 堆外的 。您確實需要釋放所使用的內存，但是對于庫用戶而言，這是通過在分配器上執行 close（） 操作來完成的。在我們的例子中，我們的類將實現 Closeable 接口，該接口將執行分配器關閉操作。
通過使用流api，數據將被流傳輸到使用Arrow格式提交的OutPutStream：
package com.gkatzioura.arrow;
import java.io.Closeable;
import java.io.IOException;
import java.nio.channels.WritableByteChannel;
import java.util.List;
import org.apache.arrow.memory.RootAllocator;
import org.apache.arrow.vector.IntVector;
import org.apache.arrow.vector.VarCharVector;
import org.apache.arrow.vector.VectorSchemaRoot;
import org.apache.arrow.vector.dictionary.DictionaryProvider;
import org.apache.arrow.vector.ipc.ArrowStreamWriter;
import org.apache.arrow.vector.util.Text;
import static com.gkatzioura.arrow.SchemaFactory.DEFAULT_SCHEMA;
public class DefaultEntriesWriter implements Closeable {
private final RootAllocator rootAllocator;
private final VectorSchemaRoot vectorSchemaRoot;//向量分配器創建：
public DefaultEntriesWriter() {
rootAllocator = new RootAllocator();
vectorSchemaRoot = VectorSchemaRoot.create(DEFAULT_SCHEMA, rootAllocator);
}
public void write(List<DefaultArrowEntry> defaultArrowEntries, int batchSize, WritableByteChannel out) {
if (batchSize <= 0) {
batchSize = defaultArrowEntries.size();
}
DictionaryProvider.MapDictionaryProvider dictProvider = new DictionaryProvider.MapDictionaryProvider();
try(ArrowStreamWriter writer = new ArrowStreamWriter(vectorSchemaRoot, dictProvider, out)) {
writer.start();
VarCharVector childVector1 = (VarCharVector) vectorSchemaRoot.getVector(0);
IntVector childVector2 = (IntVector) vectorSchemaRoot.getVector(1);
childVector1.reset();
childVector2.reset();
boolean exactBatches = defaultArrowEntries.size()%batchSize == 0;
int batchCounter = 0;
for(int i=0; i < defaultArrowEntries.size(); i++) {
childVector1.setSafe(batchCounter, new Text(defaultArrowEntries.get(i).getCol1()));
childVector2.setSafe(batchCounter, defaultArrowEntries.get(i).getCol2());
batchCounter++;
if(batchCounter == batchSize) {
vectorSchemaRoot.setRowCount(batchSize);
writer.writeBatch();
batchCounter = 0;
}
}
if(!exactBatches) {
vectorSchemaRoot.setRowCount(batchCounter);
writer.writeBatch();
}
writer.end();
} catch (IOException e) {
throw new ArrowExampleException(e);
}
}
@Override
public void close() throws IOException {
vectorSchemaRoot.close();
rootAllocator.close();
}
}
為了在Arrow上顯示批處理的支持，已在函數中實現了簡單的批處理算法。對于我們的示例，只需考慮將數據分批寫入。
讓我們深入了解上面代碼功能：
向量分配器創建：
public DefaultEntriesToBytesConverter() {
rootAllocator = new RootAllocator();
vectorSchemaRoot = VectorSchemaRoot.create(DEFAULT_SCHEMA, rootAllocator);
}
然后在寫入流時，實現并啟動了Arrow流編寫器
ArrowStreamWriter writer = new ArrowStreamWriter(vectorSchemaRoot, dictProvider, Channels.newChannel(out));
writer.start();
我們將數據填充向量，然后還重置它們，但讓預分配的緩沖區 存在 ：
VarCharVector childVector1 = (VarCharVector) vectorSchemaRoot.getVector(0);
IntVector childVector2 = (IntVector) vectorSchemaRoot.getVector(1);
childVector1.reset();
childVector2.reset();
寫入數據時，我們使用 setSafe 操作。如果需要分配更多的緩沖區，應采用這種方式。對于此示例，此操作在每次寫入時都完成，但是在考慮了所需的操作和緩沖區大小后可以避免：
childVector1.setSafe(i, new Text(defaultArrowEntries.get(i).getCol1()));
childVector2.setSafe(i, defaultArrowEntries.get(i).getCol2());
然后，將批處理寫入流中：
vectorSchemaRoot.setRowCount(batchSize);
writer.writeBatch();
最后但并非最不重要的一點是，我們關閉了writer:
@Override
public void close() throws IOException {
vectorSchemaRoot.close();
rootAllocator.close();
}
以上就是JVM上高性能數據格式庫包Apache Arrow入門和架構詳解(Gkatziouras)的詳細內容，更多關于Apache Arrow入門的資料請關注腳本之家其它相關文章！
