5

我有一个 csv.gz 文件（据我所知），压缩前的大小为 70GB。我的机器有 50GB 的 RAM，所以无论如何我永远无法在 R 中将它作为一个整体打开。

例如，我可以按如下方式加载前 10m 行：

library(vroom)

df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7)

对于我必须做的事情，一次加载 10m 行，做我的操作，然后继续接下来的 10m 行就可以了。我可以循环执行此操作。

因此，我尝试了这个skip论点。

df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7, skip = 10^7)

这会导致错误：

Error: The size of the connection buffer (131072) was not large enough
to fit a complete line:
  * Increase it by setting `Sys.setenv("VROOM_CONNECTION_SIZE")`

我增加了这个Sys.setenv("VROOM_CONNECTION_SIZE" = 131072*1000)，但是，错误仍然存​​在。

有针对这个的解决方法吗？

编辑：我发现随机访问 gzip 压缩的 csv (csv.gz) 是不可能的。我们必须从头开始。可能最简单的是解压缩并保存，然后跳过应该可以工作。

4

1 回答 1

6

我一直无法找出vroom非常大的超过 RAM（gzipped）csv 文件的解决方案。但是，以下方法对我来说效果很好，我很高兴了解查询速度更快同时还节省磁盘空间的方法。

  1. 使用来自https://github.com/BurntSushi/xsvsplit的子命令将大型 csv 文件拆分为舒适的内存块，例如 10^5 行，并将它们保存在文件夹中。xsv
  2. data.table::fread使用循环逐一读取所有块（以避免内存不足错误） for，并使用包将所有块作为压缩parquet文件保存到文件夹中，arrow这样可以节省空间并准备大表以进行快速查询。对于更快的操作，建议重新保存按您需要经常过滤的字段分区parquet的文件。
  3. 现在，您可以使用命令使用arrow::open_dataset和查询该多文件 parquet 文件夹dplyr。根据我的经验，它占用最少的磁盘空间并提供最快的结果。

我使用data.table::fread每个字段的列类的显式定义来最快和最可靠地解析 csv 文件。readr::read_csv也很准确，但速度较慢。但是，列类的自动分配read_csv以及您可以自定义列类的read_csv方式实际上是最好的 - 所以更少的人工时间但更多的机器时间 - 这意味着它可能总体上更快，具体取决于设想。其他 csv 解析器对我使用的那种 csv 文件抛出了错误并浪费了时间。

您现在可以删除包含分块 csv 文件的文件夹以节省空间，除非您想尝试使用其他 csv 解析器循环读取它们。

其他以前成功的方法：循环读取上面提到的所有 csv 块并将它们保存到：

  1. 使用disk.frame包的文件夹。然后可以使用文档中解释的命令dplyr或data.table命令来查询该文件夹。它可以保存在压缩fst文件中，从而节省空间，但不如parquet文件那么多。
  2. DuckDB数据库中允许使用SQL或dplyr命令查询的表。使用数据库表方法不会为您节省磁盘空间。但DuckDB也允许使用命令查询分区/未分区的 parquet 文件（节省磁盘空间）SQL。

编辑： - 下面的改进方法

我做了一点实验，发现了一种更好的方法来完成上述操作。使用下面的代码，大型（压缩）csv 文件将在 R 环境中自动分块（无需使用任何外部工具，如xsv），所有块将以parquet格式写入准备查询的文件夹中。

library(readr)
library(arrow)

fyl <- "...path_to_big_data_file.csv.gz"
pqFolder <- "...path_to_folder_where_chunked_parquet_files_are_to_be_saved"

f <- function(x, pos){
  write_parquet(x,
                file.path(pqFolder, paste0(pos, ".parquet")),
                compression = "gzip",
                compression_level = 9)
}

read_csv_chunked(
  fyl,
  col_types = list(Column1="f", Column2="c", Column3="T", ...), # all column specifications
  callback = SideEffectChunkCallback$new(f),
  chunk_size = 10^6)

如果，而不是parquet，你想使用 -

  1. disk.frame，回调函数可用于创建分块压缩fst文件dplyr或data.table样式查询。
  2. DuckDB，回调函数可用于append分块成数据库表SQL或dplyr样式查询。

通过明智地选择命令chunk_size参数readr::read_csv_chunked，计算机在运行查询时永远不会耗尽 RAM。

PS：我gzip对文件使用压缩，parquet因为它们可以ParquetViewer从https://github.com/mukunku/ParquetViewer预览。否则，zstd（当前不支持ParquetViewer）解压缩速度更快，从而提高读取速度。

编辑2：

我得到了一个对我的机器来说非常大的 csv 文件：20 GB gzip 压缩并扩展到大约 83 GB，而我的家用笔记本电脑只有 16 GB。原来read_csv_chunked我在前面EDIT中提到的方法无法完成。它总是在一段时间后停止工作并且不会创建所有parquet块。使用我以前的方法来拆分 csv 文件，xsv然后在它们上循环创建parquet块。公平地说，我必须提到这种方式也需要多次尝试，并且我已经编写了一个检查程序，以便在连续尝试运行程序时只创建额外的块。 parquet

编辑 3：

VROOM 在处理大文件时确实有困难，因为它需要将索引以及从文件中读取的任何数据存储在内存中。请参阅开发线程https://github.com/r-lib/vroom/issues/203

编辑4：

附加提示：通过上述方法创建的分块拼花文件可以非常方便地使用 SQL 和 DuckDB 方法进行查询，在 https://duckdb.org/docs/data/parquet 和 https://duckdb.org/2021/06中提到/25/querying-parquet.html

DuckDB 方法很重要，因为 R Arrow 方法目前受到官方文档页面https://arrow.apache.org/docs/r/articles/dataset.html中提到的非常严重的限制。

具体来说，我引用：“在当前版本中，箭头支持dplyr动词mutate(), transmute(), select(), rename(), relocate(), filter()，和arrange()。聚合尚不支持，因此在调用summarise()或其他具有聚合函数的动词之前，使用collect()将选定的数据子集拉入内存中R 数据框。”

问题是，如果你collect()在一个非常大的数据集上使用，RAM 使用量会激增并且系统崩溃。然而，使用 SQL 语句在与 DuckDB 相同的大数据集上执行相同的聚合作业不会导致 RAM 使用高峰，也不会导致系统崩溃。因此，在 Arrow 为大数据的聚合查询修复自身之前，来自 DuckDB 的 SQL 提供了一个很好的解决方案来查询分块拼花格式的大数据集。

于 2021-08-07T15:37:19.093 回答