在 PyArrow 中，如何将表的行附加到内存映射文件？

如何解决在 PyArrow 中，如何将表的行附加到内存映射文件？

正如您在下面的代码中看到的，我在向保存在内存映射文件中的表中添加新行时遇到了麻烦。 我只想用新行再次写入文件。

import pyarrow as pa

source = pa.memory_map(path,'r')
table = pa.ipc.RecordBatchFileReader(source).read_all()
schema = pa.ipc.RecordBatchFileReader(source).schema
new_table = create_arrow_table(schema.names) #new table from pydict with same schema and random new values
updated_table = pa.concat_tables([table,new_table],promote=True)   
source.close()
with pa.MemoryMappedFile(path,'w') as sink:
   with pa.RecordBatchFileWriter(sink,updated_table.schema) as writer:
      writer.write_table(table)

我收到一个异常，指出内存映射文件没有关闭： ValueError: I/O operation on closed file。

有什么建议吗？

解决方法

您的直接问题是您使用的是 pa.MemoryMappedFile(path,'w') 而不是 pa.memory_map(path,'w')。后者定义为...

_check_is_file(path)
cdef MemoryMappedFile mmap = MemoryMappedFile()
mmap._open(path,mode)
return mmap

...所以它被关闭的原因应该很清楚。

您将遇到的下一个问题（假设它不是复制/粘贴到 SO 中的错误）是您正在编写 table 而不是 updated_table。轻松修复。

第三个问题更成问题。内存映射文件具有固定大小，不能像普通文件一样自然增长。如果您尝试将更新后的表格写入同一个文件，您将看到...

OSError: Write out of bounds (offset = ...,size = ...) in file of size ...

这个问题不是那么容易克服的。您可以将内存映射 (sink.resize(...)) 的大小调整为“足够大”的大小，但最终得到的文件末尾有一堆 0，因此您需要确保在之后将其缩小你写的，我不确定这是否会给你比写普通文件更好的性能。

您可以写入一个字节对象，然后调整文件大小并将您的字节写入内存映射文件，但这会给您一些额外的簿记，我不知道调整文件大小对性能的影响。