parent
f8599f8d3e
commit
1de843fca8
|
@ -1,3 +1,19 @@
|
||||||
.load ./libparquet
|
.load ./libparquet
|
||||||
create virtual table parquet using parquet(filename='../csv.csv');
|
select 'creating without enough args';
|
||||||
select * from parquet;
|
create virtual table noargs using parquet;
|
||||||
|
|
||||||
|
select 'creating with invalid file';
|
||||||
|
create virtual table nonexistent using parquet('nonexistent');
|
||||||
|
|
||||||
|
select 'creating with valid file';
|
||||||
|
create virtual table parquet using parquet('/home/cldellow/src/csv2parquet/12m.parquet.snappy');
|
||||||
|
.tables
|
||||||
|
.schema parquet
|
||||||
|
.timer on
|
||||||
|
.headers on
|
||||||
|
select count(*) from (select * from parquet limit 1);
|
||||||
|
select rowid,col0 from parquet where rowid > 5 limit 5;
|
||||||
|
select count(*) from parquet limit 1;
|
||||||
|
select sum(col0) from parquet limit 1;
|
||||||
|
select * from parquet limit 10;
|
||||||
|
select sum(length(col3)) from parquet;
|
||||||
|
|
13
parquet/go
13
parquet/go
|
@ -1 +1,12 @@
|
||||||
./make && ../sqlite/sqlite3 -init ./cmds.txt < /dev/null
|
#!/bin/bash
|
||||||
|
|
||||||
|
set -euo pipefail
|
||||||
|
./make
|
||||||
|
|
||||||
|
|
||||||
|
if [ ! -v DEBUG ]; then
|
||||||
|
../sqlite/sqlite3 -init ./cmds.txt < /dev/null
|
||||||
|
else
|
||||||
|
gdb -ex run --args ../sqlite/sqlite3 -init ./cmds.txt
|
||||||
|
fi
|
||||||
|
|
||||||
|
|
|
@ -1,6 +1,7 @@
|
||||||
#!/bin/bash
|
#!/bin/bash
|
||||||
|
|
||||||
set -x
|
set -euo pipefail
|
||||||
|
#set -x
|
||||||
|
|
||||||
PARQUET_CPP=${PARQUET_CPP:-~/src/parquet-cpp}
|
PARQUET_CPP=${PARQUET_CPP:-~/src/parquet-cpp}
|
||||||
|
|
||||||
|
@ -11,9 +12,10 @@ clean() {
|
||||||
|
|
||||||
build() {
|
build() {
|
||||||
clean
|
clean
|
||||||
g++ -std=c++11 -Wall -fPIC -c -g parquet.cc -I ../sqlite -lz -ldl -lpthread
|
# -O3 -s -DNDEBUG
|
||||||
|
g++ -O3 -std=c++11 -Wall -fPIC -c -g *.cc -I ../sqlite -lz -ldl -lpthread
|
||||||
|
|
||||||
g++ -shared -o libparquet.so parquet.o \
|
g++ -O3 -shared -o libparquet.so *.o \
|
||||||
${PARQUET_CPP}/build/release/libparquet.a \
|
${PARQUET_CPP}/build/release/libparquet.a \
|
||||||
${PARQUET_CPP}/thrift_ep/src/thrift_ep-install/lib/libthrift.a \
|
${PARQUET_CPP}/thrift_ep/src/thrift_ep-install/lib/libthrift.a \
|
||||||
${PARQUET_CPP}/build/release/libarrow.so \
|
${PARQUET_CPP}/build/release/libarrow.so \
|
||||||
|
|
|
@ -18,245 +18,13 @@ SQLITE_EXTENSION_INIT1
|
||||||
#include <ctype.h>
|
#include <ctype.h>
|
||||||
#include <stdio.h>
|
#include <stdio.h>
|
||||||
|
|
||||||
#include "parquet/api/reader.h"
|
#include <memory>
|
||||||
|
|
||||||
char const *EMPTY_STRING = "";
|
|
||||||
|
|
||||||
void gogo() {
|
|
||||||
printf("ok");
|
|
||||||
try {
|
|
||||||
std::unique_ptr<parquet::ParquetFileReader> reader =
|
|
||||||
parquet::ParquetFileReader::OpenFile("/home/cldellow/src/csv2parquet/12m.parquet.snappy");
|
|
||||||
printf("%d\n", reader->metadata()->size());
|
|
||||||
printf("%ld\n", reader->metadata()->num_rows());
|
|
||||||
} catch (const std::exception& e) {
|
|
||||||
std::cerr << "Parquet error: " << e.what() << std::endl;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Max size of the error message in a CsvReader */
|
|
||||||
#define PARQUET_MXERR 200
|
|
||||||
|
|
||||||
/* Size of the CsvReader input buffer */
|
|
||||||
#define PARQUET_INBUFSZ 1024
|
|
||||||
|
|
||||||
/* A context object used when read a Parquet file. */
|
|
||||||
typedef struct CsvReader CsvReader;
|
|
||||||
struct CsvReader {
|
|
||||||
FILE *in; /* Read the Parquet text from this input stream */
|
|
||||||
char *z; /* Accumulated text for a field */
|
|
||||||
int n; /* Number of bytes in z */
|
|
||||||
int nAlloc; /* Space allocated for z[] */
|
|
||||||
int nLine; /* Current line number */
|
|
||||||
int bNotFirst; /* True if prior text has been seen */
|
|
||||||
int cTerm; /* Character that terminated the most recent field */
|
|
||||||
size_t iIn; /* Next unread character in the input buffer */
|
|
||||||
size_t nIn; /* Number of characters in the input buffer */
|
|
||||||
char *zIn; /* The input buffer */
|
|
||||||
char zErr[PARQUET_MXERR]; /* Error message */
|
|
||||||
};
|
|
||||||
|
|
||||||
/* Initialize a CsvReader object */
|
|
||||||
static void csv_reader_init(CsvReader *p){
|
|
||||||
p->in = 0;
|
|
||||||
p->z = 0;
|
|
||||||
p->n = 0;
|
|
||||||
p->nAlloc = 0;
|
|
||||||
p->nLine = 0;
|
|
||||||
p->bNotFirst = 0;
|
|
||||||
p->nIn = 0;
|
|
||||||
p->zIn = 0;
|
|
||||||
p->zErr[0] = 0;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Close and reset a CsvReader object */
|
|
||||||
static void csv_reader_reset(CsvReader *p){
|
|
||||||
if( p->in ){
|
|
||||||
fclose(p->in);
|
|
||||||
sqlite3_free(p->zIn);
|
|
||||||
}
|
|
||||||
sqlite3_free(p->z);
|
|
||||||
csv_reader_init(p);
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Report an error on a CsvReader */
|
|
||||||
static void csv_errmsg(CsvReader *p, const char *zFormat, ...){
|
|
||||||
va_list ap;
|
|
||||||
va_start(ap, zFormat);
|
|
||||||
sqlite3_vsnprintf(PARQUET_MXERR, p->zErr, zFormat, ap);
|
|
||||||
va_end(ap);
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Open the file associated with a CsvReader
|
|
||||||
** Return the number of errors.
|
|
||||||
*/
|
|
||||||
static int csv_reader_open(
|
|
||||||
CsvReader *p, /* The reader to open */
|
|
||||||
const char *zFilename, /* Read from this filename */
|
|
||||||
const char *zData /* ... or use this data */
|
|
||||||
){
|
|
||||||
if( zFilename ){
|
|
||||||
p->zIn = (char*)sqlite3_malloc( PARQUET_INBUFSZ );
|
|
||||||
if( p->zIn==0 ){
|
|
||||||
csv_errmsg(p, "out of memory");
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
p->in = fopen(zFilename, "rb");
|
|
||||||
if( p->in==0 ){
|
|
||||||
csv_reader_reset(p);
|
|
||||||
csv_errmsg(p, "cannot open '%s' for reading", zFilename);
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
}else{
|
|
||||||
assert( p->in==0 );
|
|
||||||
p->zIn = (char*)zData;
|
|
||||||
p->nIn = strlen(zData);
|
|
||||||
}
|
|
||||||
return 0;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* The input buffer has overflowed. Refill the input buffer, then
|
|
||||||
** return the next character
|
|
||||||
*/
|
|
||||||
static int csv_getc_refill(CsvReader *p){
|
|
||||||
size_t got;
|
|
||||||
|
|
||||||
assert( p->iIn>=p->nIn ); /* Only called on an empty input buffer */
|
|
||||||
assert( p->in!=0 ); /* Only called if reading froma file */
|
|
||||||
|
|
||||||
got = fread(p->zIn, 1, PARQUET_INBUFSZ, p->in);
|
|
||||||
if( got==0 ) return EOF;
|
|
||||||
p->nIn = got;
|
|
||||||
p->iIn = 1;
|
|
||||||
return p->zIn[0];
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Return the next character of input. Return EOF at end of input. */
|
|
||||||
static int csv_getc(CsvReader *p){
|
|
||||||
if( p->iIn >= p->nIn ){
|
|
||||||
if( p->in!=0 ) return csv_getc_refill(p);
|
|
||||||
return EOF;
|
|
||||||
}
|
|
||||||
return ((unsigned char*)p->zIn)[p->iIn++];
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Increase the size of p->z and append character c to the end.
|
|
||||||
** Return 0 on success and non-zero if there is an OOM error */
|
|
||||||
static int csv_resize_and_append(CsvReader *p, char c){
|
|
||||||
char *zNew;
|
|
||||||
int nNew = p->nAlloc*2 + 100;
|
|
||||||
zNew = (char*)sqlite3_realloc64(p->z, nNew);
|
|
||||||
if( zNew ){
|
|
||||||
p->z = zNew;
|
|
||||||
p->nAlloc = nNew;
|
|
||||||
p->z[p->n++] = c;
|
|
||||||
return 0;
|
|
||||||
}else{
|
|
||||||
csv_errmsg(p, "out of memory");
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Append a single character to the CsvReader.z[] array.
|
|
||||||
** Return 0 on success and non-zero if there is an OOM error */
|
|
||||||
static int csv_append(CsvReader *p, char c){
|
|
||||||
if( p->n>=p->nAlloc-1 ) return csv_resize_and_append(p, c);
|
|
||||||
p->z[p->n++] = c;
|
|
||||||
return 0;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Read a single field of Parquet text. Compatible with rfc4180 and extended
|
|
||||||
** with the option of having a separator other than ",".
|
|
||||||
**
|
|
||||||
** + Input comes from p->in.
|
|
||||||
** + Store results in p->z of length p->n. Space to hold p->z comes
|
|
||||||
** from sqlite3_malloc64().
|
|
||||||
** + Keep track of the line number in p->nLine.
|
|
||||||
** + Store the character that terminates the field in p->cTerm. Store
|
|
||||||
** EOF on end-of-file.
|
|
||||||
**
|
|
||||||
** Return "" at EOF. Return 0 on an OOM error.
|
|
||||||
*/
|
|
||||||
static const char *csv_read_one_field(CsvReader *p){
|
|
||||||
int c;
|
|
||||||
p->n = 0;
|
|
||||||
c = csv_getc(p);
|
|
||||||
if( c==EOF ){
|
|
||||||
p->cTerm = EOF;
|
|
||||||
return EMPTY_STRING;
|
|
||||||
}
|
|
||||||
if( c=='"' ){
|
|
||||||
int pc, ppc;
|
|
||||||
int startLine = p->nLine;
|
|
||||||
pc = ppc = 0;
|
|
||||||
while( 1 ){
|
|
||||||
c = csv_getc(p);
|
|
||||||
if( c<='"' || pc=='"' ){
|
|
||||||
if( c=='\n' ) p->nLine++;
|
|
||||||
if( c=='"' ){
|
|
||||||
if( pc=='"' ){
|
|
||||||
pc = 0;
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if( (c==',' && pc=='"')
|
|
||||||
|| (c=='\n' && pc=='"')
|
|
||||||
|| (c=='\n' && pc=='\r' && ppc=='"')
|
|
||||||
|| (c==EOF && pc=='"')
|
|
||||||
){
|
|
||||||
do{ p->n--; }while( p->z[p->n]!='"' );
|
|
||||||
p->cTerm = (char)c;
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
if( pc=='"' && c!='\r' ){
|
|
||||||
csv_errmsg(p, "line %d: unescaped %c character", p->nLine, '"');
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
if( c==EOF ){
|
|
||||||
csv_errmsg(p, "line %d: unterminated %c-quoted field\n",
|
|
||||||
startLine, '"');
|
|
||||||
p->cTerm = (char)c;
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if( csv_append(p, (char)c) ) return 0;
|
|
||||||
ppc = pc;
|
|
||||||
pc = c;
|
|
||||||
}
|
|
||||||
}else{
|
|
||||||
/* If this is the first field being parsed and it begins with the
|
|
||||||
** UTF-8 BOM (0xEF BB BF) then skip the BOM */
|
|
||||||
if( (c&0xff)==0xef && p->bNotFirst==0 ){
|
|
||||||
csv_append(p, (char)c);
|
|
||||||
c = csv_getc(p);
|
|
||||||
if( (c&0xff)==0xbb ){
|
|
||||||
csv_append(p, (char)c);
|
|
||||||
c = csv_getc(p);
|
|
||||||
if( (c&0xff)==0xbf ){
|
|
||||||
p->bNotFirst = 1;
|
|
||||||
p->n = 0;
|
|
||||||
return csv_read_one_field(p);
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
while( c>',' || (c!=EOF && c!=',' && c!='\n') ){
|
|
||||||
if( csv_append(p, (char)c) ) return 0;
|
|
||||||
c = csv_getc(p);
|
|
||||||
}
|
|
||||||
if( c=='\n' ){
|
|
||||||
p->nLine++;
|
|
||||||
if( p->n>0 && p->z[p->n-1]=='\r' ) p->n--;
|
|
||||||
}
|
|
||||||
p->cTerm = (char)c;
|
|
||||||
}
|
|
||||||
if( p->z ) p->z[p->n] = 0;
|
|
||||||
p->bNotFirst = 1;
|
|
||||||
return p->z;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
#include "parquet_table.h"
|
||||||
|
#include "parquet_cursor.h"
|
||||||
|
|
||||||
/* Forward references to the various virtual table methods implemented
|
/* Forward references to the various virtual table methods implemented
|
||||||
** in this file. */
|
* in this file. */
|
||||||
static int parquetCreate(sqlite3*, void*, int, const char*const*,
|
static int parquetCreate(sqlite3*, void*, int, const char*const*,
|
||||||
sqlite3_vtab**,char**);
|
sqlite3_vtab**,char**);
|
||||||
static int parquetConnect(sqlite3*, void*, int, const char*const*,
|
static int parquetConnect(sqlite3*, void*, int, const char*const*,
|
||||||
|
@ -273,290 +41,65 @@ static int parquetColumn(sqlite3_vtab_cursor*,sqlite3_context*,int);
|
||||||
static int parquetRowid(sqlite3_vtab_cursor*,sqlite3_int64*);
|
static int parquetRowid(sqlite3_vtab_cursor*,sqlite3_int64*);
|
||||||
|
|
||||||
/* An instance of the Parquet virtual table */
|
/* An instance of the Parquet virtual table */
|
||||||
typedef struct ParquetTable {
|
typedef struct sqlite3_vtab_parquet {
|
||||||
sqlite3_vtab base; /* Base class. Must be first */
|
sqlite3_vtab base; /* Base class. Must be first */
|
||||||
char *zFilename; /* Name of the Parquet file */
|
ParquetTable* table;
|
||||||
char *zData; /* Raw Parquet data in lieu of zFilename */
|
} sqlite3_vtab_parquet;
|
||||||
long iStart; /* Offset to start of data in zFilename */
|
|
||||||
unsigned int nCol; /* Number of columns in the Parquet file */
|
|
||||||
unsigned int tstFlags; /* Bit values used for testing */
|
|
||||||
} ParquetTable;
|
|
||||||
|
|
||||||
|
|
||||||
/* A cursor for the Parquet virtual table */
|
/* A cursor for the Parquet virtual table */
|
||||||
typedef struct ParquetCursor {
|
typedef struct sqlite3_vtab_cursor_parquet {
|
||||||
sqlite3_vtab_cursor base; /* Base class. Must be first */
|
sqlite3_vtab_cursor base; /* Base class. Must be first */
|
||||||
CsvReader rdr; /* The CsvReader object */
|
ParquetCursor* cursor;
|
||||||
char **azVal; /* Value of the current row */
|
} sqlite3_vtab_cursor_parquet;
|
||||||
int *aLen; /* Length of each entry */
|
|
||||||
sqlite3_int64 iRowid; /* The current rowid. Negative for EOF */
|
|
||||||
} ParquetCursor;
|
|
||||||
|
|
||||||
/* Transfer error message text from a reader into a ParquetTable */
|
|
||||||
static void csv_xfer_error(ParquetTable *pTab, CsvReader *pRdr){
|
|
||||||
sqlite3_free(pTab->base.zErrMsg);
|
|
||||||
pTab->base.zErrMsg = sqlite3_mprintf("%s", pRdr->zErr);
|
|
||||||
}
|
|
||||||
|
|
||||||
/*
|
/*
|
||||||
** This method is the destructor fo a ParquetTable object.
|
** This method is the destructor fo a sqlite3_vtab_parquet object.
|
||||||
*/
|
*/
|
||||||
static int parquetDisconnect(sqlite3_vtab *pVtab){
|
static int parquetDisconnect(sqlite3_vtab *pVtab){
|
||||||
ParquetTable *p = (ParquetTable*)pVtab;
|
sqlite3_vtab_parquet *p = (sqlite3_vtab_parquet*)pVtab;
|
||||||
sqlite3_free(p->zFilename);
|
delete p->table;
|
||||||
sqlite3_free(p->zData);
|
|
||||||
sqlite3_free(p);
|
sqlite3_free(p);
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
|
||||||
/* Skip leading whitespace. Return a pointer to the first non-whitespace
|
|
||||||
** character, or to the zero terminator if the string has only whitespace */
|
|
||||||
static const char *csv_skip_whitespace(const char *z){
|
|
||||||
while( isspace((unsigned char)z[0]) ) z++;
|
|
||||||
return z;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Remove trailing whitespace from the end of string z[] */
|
|
||||||
static void csv_trim_whitespace(char *z){
|
|
||||||
size_t n = strlen(z);
|
|
||||||
while( n>0 && isspace((unsigned char)z[n]) ) n--;
|
|
||||||
z[n] = 0;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Dequote the string */
|
|
||||||
static void csv_dequote(char *z){
|
|
||||||
int j;
|
|
||||||
char cQuote = z[0];
|
|
||||||
size_t i, n;
|
|
||||||
|
|
||||||
if( cQuote!='\'' && cQuote!='"' ) return;
|
|
||||||
n = strlen(z);
|
|
||||||
if( n<2 || z[n-1]!=z[0] ) return;
|
|
||||||
for(i=1, j=0; i<n-1; i++){
|
|
||||||
if( z[i]==cQuote && z[i+1]==cQuote ) i++;
|
|
||||||
z[j++] = z[i];
|
|
||||||
}
|
|
||||||
z[j] = 0;
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Check to see if the string is of the form: "TAG = VALUE" with optional
|
|
||||||
** whitespace before and around tokens. If it is, return a pointer to the
|
|
||||||
** first character of VALUE. If it is not, return NULL.
|
|
||||||
*/
|
|
||||||
static const char *csv_parameter(const char *zTag, int nTag, const char *z){
|
|
||||||
z = csv_skip_whitespace(z);
|
|
||||||
if( strncmp(zTag, z, nTag)!=0 ) return 0;
|
|
||||||
z = csv_skip_whitespace(z+nTag);
|
|
||||||
if( z[0]!='=' ) return 0;
|
|
||||||
return csv_skip_whitespace(z+1);
|
|
||||||
}
|
|
||||||
|
|
||||||
/* Decode a parameter that requires a dequoted string.
|
|
||||||
**
|
|
||||||
** Return 1 if the parameter is seen, or 0 if not. 1 is returned
|
|
||||||
** even if there is an error. If an error occurs, then an error message
|
|
||||||
** is left in p->zErr. If there are no errors, p->zErr[0]==0.
|
|
||||||
*/
|
|
||||||
static int csv_string_parameter(
|
|
||||||
CsvReader *p, /* Leave the error message here, if there is one */
|
|
||||||
const char *zParam, /* Parameter we are checking for */
|
|
||||||
const char *zArg, /* Raw text of the virtual table argment */
|
|
||||||
char **pzVal /* Write the dequoted string value here */
|
|
||||||
){
|
|
||||||
const char *zValue;
|
|
||||||
zValue = csv_parameter(zParam,(int)strlen(zParam),zArg);
|
|
||||||
if( zValue==0 ) return 0;
|
|
||||||
p->zErr[0] = 0;
|
|
||||||
if( *pzVal ){
|
|
||||||
csv_errmsg(p, "more than one '%s' parameter", zParam);
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
*pzVal = sqlite3_mprintf("%s", zValue);
|
|
||||||
if( *pzVal==0 ){
|
|
||||||
csv_errmsg(p, "out of memory");
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
csv_trim_whitespace(*pzVal);
|
|
||||||
csv_dequote(*pzVal);
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
/* Return 0 if the argument is false and 1 if it is true. Return -1 if
|
|
||||||
** we cannot really tell.
|
|
||||||
*/
|
|
||||||
static int csv_boolean(const char *z){
|
|
||||||
if( sqlite3_stricmp("yes",z)==0
|
|
||||||
|| sqlite3_stricmp("on",z)==0
|
|
||||||
|| sqlite3_stricmp("true",z)==0
|
|
||||||
|| (z[0]=='1' && z[1]==0)
|
|
||||||
){
|
|
||||||
return 1;
|
|
||||||
}
|
|
||||||
if( sqlite3_stricmp("no",z)==0
|
|
||||||
|| sqlite3_stricmp("off",z)==0
|
|
||||||
|| sqlite3_stricmp("false",z)==0
|
|
||||||
|| (z[0]=='0' && z[1]==0)
|
|
||||||
){
|
|
||||||
return 0;
|
|
||||||
}
|
|
||||||
return -1;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
/*
|
|
||||||
** Parameters:
|
|
||||||
** filename=FILENAME Name of file containing Parquet content
|
|
||||||
** data=TEXT Direct Parquet content.
|
|
||||||
** schema=SCHEMA Alternative Parquet schema.
|
|
||||||
** header=YES|NO First row of Parquet defines the names of
|
|
||||||
** columns if "yes". Default "no".
|
|
||||||
** columns=N Assume the Parquet file contains N columns.
|
|
||||||
**
|
|
||||||
**
|
|
||||||
** If schema= is omitted, then the columns are named "c0", "c1", "c2",
|
|
||||||
** and so forth. If columns=N is omitted, then the file is opened and
|
|
||||||
** the number of columns in the first row is counted to determine the
|
|
||||||
** column count. If header=YES, then the first row is skipped.
|
|
||||||
*/
|
|
||||||
static int parquetConnect(
|
static int parquetConnect(
|
||||||
sqlite3 *db,
|
sqlite3 *db,
|
||||||
void *pAux,
|
void *pAux,
|
||||||
int argcOrig, const char *const*argv,
|
int argc,
|
||||||
|
const char *const*argv,
|
||||||
sqlite3_vtab **ppVtab,
|
sqlite3_vtab **ppVtab,
|
||||||
char **pzErr
|
char **pzErr
|
||||||
){
|
){
|
||||||
unsigned int argc = argcOrig;
|
if(argc != 4 || strlen(argv[3]) < 2) {
|
||||||
ParquetTable *pNew = 0; /* The ParquetTable object to construct */
|
*pzErr = sqlite3_mprintf("must provide exactly one argument, the path to a parquet file");
|
||||||
int bHeader = -1; /* header= flags. -1 means not seen yet */
|
return SQLITE_ERROR;
|
||||||
int rc = SQLITE_OK; /* Result code from this routine */
|
}
|
||||||
unsigned int i, j; /* Loop counters */
|
|
||||||
int nCol = -99; /* Value of the columns= parameter */
|
|
||||||
CsvReader sRdr; /* A Parquet file reader used to store an error
|
|
||||||
** message and/or to count the number of columns */
|
|
||||||
static const char *azParam[] = {
|
|
||||||
"filename", "data", "schema",
|
|
||||||
};
|
|
||||||
char *azPValue[3]; /* Parameter values */
|
|
||||||
# define PARQUET_FILENAME (azPValue[0])
|
|
||||||
# define PARQUET_DATA (azPValue[1])
|
|
||||||
# define PARQUET_SCHEMA (azPValue[2])
|
|
||||||
|
|
||||||
|
// Remove the delimiting single quotes
|
||||||
|
std::string fname = argv[3];
|
||||||
|
fname = fname.substr(1, fname.length() - 2);
|
||||||
|
std::unique_ptr<ParquetTable> table(new ParquetTable(fname));
|
||||||
|
|
||||||
assert( sizeof(azPValue)==sizeof(azParam) );
|
std::unique_ptr<sqlite3_vtab_parquet, void(*)(void*)> vtab(
|
||||||
memset(&sRdr, 0, sizeof(sRdr));
|
(sqlite3_vtab_parquet*)sqlite3_malloc(sizeof(sqlite3_vtab_parquet)),
|
||||||
memset(azPValue, 0, sizeof(azPValue));
|
sqlite3_free);
|
||||||
for(i=3; i<argc; i++){
|
memset(vtab.get(), 0, sizeof(*vtab.get()));
|
||||||
const char *z = argv[i];
|
|
||||||
const char *zValue;
|
|
||||||
for(j=0; j<sizeof(azParam)/sizeof(azParam[0]); j++){
|
|
||||||
if( csv_string_parameter(&sRdr, azParam[j], z, &azPValue[j]) ) break;
|
|
||||||
}
|
|
||||||
if( j<sizeof(azParam)/sizeof(azParam[0]) ){
|
|
||||||
if( sRdr.zErr[0] ) goto parquet_connect_error;
|
|
||||||
}else
|
|
||||||
if( (zValue = csv_parameter("header",6,z))!=0 ){
|
|
||||||
int x;
|
|
||||||
if( bHeader>=0 ){
|
|
||||||
csv_errmsg(&sRdr, "more than one 'header' parameter");
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
x = csv_boolean(zValue);
|
|
||||||
if( x==1 ){
|
|
||||||
bHeader = 1;
|
|
||||||
}else if( x==0 ){
|
|
||||||
bHeader = 0;
|
|
||||||
}else{
|
|
||||||
csv_errmsg(&sRdr, "unrecognized argument to 'header': %s", zValue);
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
}else
|
|
||||||
if( (zValue = csv_parameter("columns",7,z))!=0 ){
|
|
||||||
if( nCol>0 ){
|
|
||||||
csv_errmsg(&sRdr, "more than one 'columns' parameter");
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
nCol = atoi(zValue);
|
|
||||||
if( nCol<=0 ){
|
|
||||||
csv_errmsg(&sRdr, "must have at least one column");
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
}else
|
|
||||||
{
|
|
||||||
csv_errmsg(&sRdr, "unrecognized parameter '%s'", z);
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if( (PARQUET_FILENAME==0)==(PARQUET_DATA==0) ){
|
|
||||||
csv_errmsg(&sRdr, "must either filename= or data= but not both");
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
if( nCol<=0 && csv_reader_open(&sRdr, PARQUET_FILENAME, PARQUET_DATA) ){
|
|
||||||
goto parquet_connect_error;
|
|
||||||
}
|
|
||||||
pNew = (ParquetTable*)sqlite3_malloc( sizeof(*pNew) );
|
|
||||||
*ppVtab = (sqlite3_vtab*)pNew;
|
|
||||||
if( pNew==0 ) goto parquet_connect_oom;
|
|
||||||
memset(pNew, 0, sizeof(*pNew));
|
|
||||||
if( nCol>0 ){
|
|
||||||
pNew->nCol = nCol;
|
|
||||||
}else{
|
|
||||||
do{
|
|
||||||
const char *z = csv_read_one_field(&sRdr);
|
|
||||||
if( z==0 ) goto parquet_connect_oom;
|
|
||||||
pNew->nCol++;
|
|
||||||
}while( sRdr.cTerm==',' );
|
|
||||||
}
|
|
||||||
pNew->zFilename = PARQUET_FILENAME; PARQUET_FILENAME = 0;
|
|
||||||
pNew->zData = PARQUET_DATA; PARQUET_DATA = 0;
|
|
||||||
pNew->iStart = bHeader==1 ? ftell(sRdr.in) : 0;
|
|
||||||
csv_reader_reset(&sRdr);
|
|
||||||
if( PARQUET_SCHEMA==0 ){
|
|
||||||
const char *zSep = EMPTY_STRING;
|
|
||||||
PARQUET_SCHEMA = sqlite3_mprintf("CREATE TABLE x(");
|
|
||||||
if( PARQUET_SCHEMA==0 ) goto parquet_connect_oom;
|
|
||||||
for(i=0; i<pNew->nCol; i++){
|
|
||||||
PARQUET_SCHEMA = sqlite3_mprintf("%z%sc%d TEXT",PARQUET_SCHEMA, zSep, i);
|
|
||||||
zSep = ",";
|
|
||||||
}
|
|
||||||
PARQUET_SCHEMA = sqlite3_mprintf("%z);", PARQUET_SCHEMA);
|
|
||||||
}
|
|
||||||
rc = sqlite3_declare_vtab(db, PARQUET_SCHEMA);
|
|
||||||
if( rc ) goto parquet_connect_error;
|
|
||||||
for(i=0; i<sizeof(azPValue)/sizeof(azPValue[0]); i++){
|
|
||||||
sqlite3_free(azPValue[i]);
|
|
||||||
}
|
|
||||||
return SQLITE_OK;
|
|
||||||
|
|
||||||
parquet_connect_oom:
|
try {
|
||||||
rc = SQLITE_NOMEM;
|
std::string create = table->CreateStatement();
|
||||||
csv_errmsg(&sRdr, "out of memory");
|
int rc = sqlite3_declare_vtab(db, create.data());
|
||||||
|
if(rc)
|
||||||
parquet_connect_error:
|
|
||||||
if( pNew ) parquetDisconnect(&pNew->base);
|
|
||||||
for(i=0; i<sizeof(azPValue)/sizeof(azPValue[0]); i++){
|
|
||||||
sqlite3_free(azPValue[i]);
|
|
||||||
}
|
|
||||||
if( sRdr.zErr[0] ){
|
|
||||||
sqlite3_free(*pzErr);
|
|
||||||
*pzErr = sqlite3_mprintf("%s", sRdr.zErr);
|
|
||||||
}
|
|
||||||
csv_reader_reset(&sRdr);
|
|
||||||
if( rc==SQLITE_OK ) rc = SQLITE_ERROR;
|
|
||||||
return rc;
|
return rc;
|
||||||
|
|
||||||
|
} catch (const std::exception& e) {
|
||||||
|
*pzErr = sqlite3_mprintf(e.what());
|
||||||
|
return SQLITE_ERROR;
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
vtab->table = table.release();
|
||||||
** Reset the current row content held by a ParquetCursor.
|
*ppVtab = (sqlite3_vtab*)vtab.release();
|
||||||
*/
|
return SQLITE_OK;
|
||||||
static void parquetCursorRowReset(ParquetCursor *pCur){
|
|
||||||
ParquetTable *pTab = (ParquetTable*)pCur->base.pVtab;
|
|
||||||
unsigned int i;
|
|
||||||
for(i=0; i<pTab->nCol; i++){
|
|
||||||
sqlite3_free(pCur->azVal[i]);
|
|
||||||
pCur->azVal[i] = 0;
|
|
||||||
pCur->aLen[i] = 0;
|
|
||||||
}
|
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
/*
|
||||||
|
@ -574,96 +117,89 @@ static int parquetCreate(
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
/*
|
||||||
** Destructor for a ParquetCursor.
|
** Destructor for a sqlite3_vtab_cursor_parquet.
|
||||||
*/
|
*/
|
||||||
static int parquetClose(sqlite3_vtab_cursor *cur){
|
static int parquetClose(sqlite3_vtab_cursor *cur){
|
||||||
ParquetCursor *pCur = (ParquetCursor*)cur;
|
sqlite3_vtab_cursor_parquet* p = (sqlite3_vtab_cursor_parquet*)cur;
|
||||||
parquetCursorRowReset(pCur);
|
delete p->cursor;
|
||||||
csv_reader_reset(&pCur->rdr);
|
|
||||||
sqlite3_free(cur);
|
sqlite3_free(cur);
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
/*
|
||||||
** Constructor for a new ParquetTable cursor object.
|
** Constructor for a new sqlite3_vtab_parquet cursor object.
|
||||||
*/
|
*/
|
||||||
static int parquetOpen(sqlite3_vtab *p, sqlite3_vtab_cursor **ppCursor){
|
static int parquetOpen(sqlite3_vtab *p, sqlite3_vtab_cursor **ppCursor){
|
||||||
ParquetTable *pTab = (ParquetTable*)p;
|
printf("xOpen\n");
|
||||||
ParquetCursor *pCur;
|
|
||||||
size_t nByte;
|
std::unique_ptr<sqlite3_vtab_cursor_parquet, void(*)(void*)> cursor(
|
||||||
nByte = sizeof(*pCur) + (sizeof(char*)+sizeof(int))*pTab->nCol;
|
(sqlite3_vtab_cursor_parquet*)sqlite3_malloc(sizeof(sqlite3_vtab_cursor_parquet)),
|
||||||
pCur = (ParquetCursor*)sqlite3_malloc64( nByte );
|
sqlite3_free);
|
||||||
if( pCur==0 ) return SQLITE_NOMEM;
|
memset(cursor.get(), 0, sizeof(*cursor.get()));
|
||||||
memset(pCur, 0, nByte);
|
|
||||||
pCur->azVal = (char**)&pCur[1];
|
sqlite3_vtab_parquet* pParquet = (sqlite3_vtab_parquet*)p;
|
||||||
pCur->aLen = (int*)&pCur->azVal[pTab->nCol];
|
cursor->cursor = new ParquetCursor(pParquet->table);
|
||||||
*ppCursor = &pCur->base;
|
|
||||||
if( csv_reader_open(&pCur->rdr, pTab->zFilename, pTab->zData) ){
|
*ppCursor = (sqlite3_vtab_cursor*)cursor.release();
|
||||||
csv_xfer_error(pTab, &pCur->rdr);
|
|
||||||
return SQLITE_ERROR;
|
|
||||||
}
|
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
||||||
/*
|
/*
|
||||||
** Advance a ParquetCursor to its next row of input.
|
** Advance a sqlite3_vtab_cursor_parquet to its next row of input.
|
||||||
** Set the EOF marker if we reach the end of input.
|
** Set the EOF marker if we reach the end of input.
|
||||||
*/
|
*/
|
||||||
static int parquetNext(sqlite3_vtab_cursor *cur){
|
static int parquetNext(sqlite3_vtab_cursor *cur){
|
||||||
ParquetCursor *pCur = (ParquetCursor*)cur;
|
ParquetCursor* cursor = ((sqlite3_vtab_cursor_parquet*)cur)->cursor;
|
||||||
ParquetTable *pTab = (ParquetTable*)cur->pVtab;
|
cursor->next();
|
||||||
unsigned int i = 0;
|
|
||||||
const char *z;
|
|
||||||
do{
|
|
||||||
z = csv_read_one_field(&pCur->rdr);
|
|
||||||
if( z==0 ){
|
|
||||||
csv_xfer_error(pTab, &pCur->rdr);
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
if( i<pTab->nCol ){
|
|
||||||
if( pCur->aLen[i] < pCur->rdr.n+1 ){
|
|
||||||
char *zNew = (char*)sqlite3_realloc64(pCur->azVal[i], pCur->rdr.n+1);
|
|
||||||
if( zNew==0 ){
|
|
||||||
csv_errmsg(&pCur->rdr, "out of memory");
|
|
||||||
csv_xfer_error(pTab, &pCur->rdr);
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
pCur->azVal[i] = zNew;
|
|
||||||
pCur->aLen[i] = pCur->rdr.n+1;
|
|
||||||
}
|
|
||||||
memcpy(pCur->azVal[i], z, pCur->rdr.n+1);
|
|
||||||
i++;
|
|
||||||
}
|
|
||||||
}while( pCur->rdr.cTerm==',' );
|
|
||||||
if( z==0 || (pCur->rdr.cTerm==EOF && i<pTab->nCol) ){
|
|
||||||
pCur->iRowid = -1;
|
|
||||||
}else{
|
|
||||||
pCur->iRowid++;
|
|
||||||
while( i<pTab->nCol ){
|
|
||||||
sqlite3_free(pCur->azVal[i]);
|
|
||||||
pCur->azVal[i] = 0;
|
|
||||||
pCur->aLen[i] = 0;
|
|
||||||
i++;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
/*
|
||||||
** Return values of columns for the row at which the ParquetCursor
|
** Return values of columns for the row at which the sqlite3_vtab_cursor_parquet
|
||||||
** is currently pointing.
|
** is currently pointing.
|
||||||
*/
|
*/
|
||||||
static int parquetColumn(
|
static int parquetColumn(
|
||||||
sqlite3_vtab_cursor *cur, /* The cursor */
|
sqlite3_vtab_cursor *cur, /* The cursor */
|
||||||
sqlite3_context *ctx, /* First argument to sqlite3_result_...() */
|
sqlite3_context *ctx, /* First argument to sqlite3_result_...() */
|
||||||
int iOrig /* Which column to return */
|
int col /* Which column to return */
|
||||||
){
|
){
|
||||||
unsigned int i = iOrig;
|
ParquetCursor *cursor = ((sqlite3_vtab_cursor_parquet*)cur)->cursor;
|
||||||
ParquetCursor *pCur = (ParquetCursor*)cur;
|
cursor->ensureColumn(col);
|
||||||
ParquetTable *pTab = (ParquetTable*)cur->pVtab;
|
|
||||||
if( i>=0 && i<pTab->nCol && pCur->azVal[i]!=0 ){
|
if(cursor->isNull(col)) {
|
||||||
sqlite3_result_text(ctx, pCur->azVal[i], -1, SQLITE_STATIC);
|
sqlite3_result_null(ctx);
|
||||||
|
} else {
|
||||||
|
switch(cursor->getPhysicalType(col)) {
|
||||||
|
case parquet::Type::INT32:
|
||||||
|
{
|
||||||
|
int rv = cursor->getInt(col);
|
||||||
|
sqlite3_result_int(ctx, rv);
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
|
||||||
|
case parquet::Type::DOUBLE:
|
||||||
|
{
|
||||||
|
double rv = cursor->getDouble(col);
|
||||||
|
sqlite3_result_double(ctx, rv);
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
case parquet::Type::BYTE_ARRAY:
|
||||||
|
{
|
||||||
|
parquet::ByteArray* rv = cursor->getByteArray(col);
|
||||||
|
sqlite3_result_text(ctx, (const char*)rv->ptr, rv->len, SQLITE_TRANSIENT);
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
|
||||||
|
case parquet::Type::BOOLEAN:
|
||||||
|
case parquet::Type::INT64:
|
||||||
|
case parquet::Type::FLOAT:
|
||||||
|
case parquet::Type::INT96:
|
||||||
|
case parquet::Type::FIXED_LEN_BYTE_ARRAY:
|
||||||
|
default:
|
||||||
|
throw std::invalid_argument("cannot handle this type");
|
||||||
|
break;
|
||||||
|
}
|
||||||
}
|
}
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
@ -672,8 +208,8 @@ static int parquetColumn(
|
||||||
** Return the rowid for the current row.
|
** Return the rowid for the current row.
|
||||||
*/
|
*/
|
||||||
static int parquetRowid(sqlite3_vtab_cursor *cur, sqlite_int64 *pRowid){
|
static int parquetRowid(sqlite3_vtab_cursor *cur, sqlite_int64 *pRowid){
|
||||||
ParquetCursor *pCur = (ParquetCursor*)cur;
|
ParquetCursor *cursor = ((sqlite3_vtab_cursor_parquet*)cur)->cursor;
|
||||||
*pRowid = pCur->iRowid;
|
*pRowid = cursor->getRowId();
|
||||||
return SQLITE_OK;
|
return SQLITE_OK;
|
||||||
}
|
}
|
||||||
|
|
||||||
|
@ -682,8 +218,10 @@ static int parquetRowid(sqlite3_vtab_cursor *cur, sqlite_int64 *pRowid){
|
||||||
** row of output.
|
** row of output.
|
||||||
*/
|
*/
|
||||||
static int parquetEof(sqlite3_vtab_cursor *cur){
|
static int parquetEof(sqlite3_vtab_cursor *cur){
|
||||||
ParquetCursor *pCur = (ParquetCursor*)cur;
|
ParquetCursor* cursor = ((sqlite3_vtab_cursor_parquet*)cur)->cursor;
|
||||||
return pCur->iRowid<0;
|
if(cursor->eof())
|
||||||
|
return 1;
|
||||||
|
return 0;
|
||||||
}
|
}
|
||||||
|
|
||||||
/*
|
/*
|
||||||
|
@ -695,8 +233,11 @@ static int parquetFilter(
|
||||||
int idxNum, const char *idxStr,
|
int idxNum, const char *idxStr,
|
||||||
int argc, sqlite3_value **argv
|
int argc, sqlite3_value **argv
|
||||||
){
|
){
|
||||||
ParquetCursor *pCur = (ParquetCursor*)pVtabCursor;
|
printf("xFilter\n");
|
||||||
ParquetTable *pTab = (ParquetTable*)pVtabCursor->pVtab;
|
//sqlite3_vtab_cursor_parquet *pCur = (sqlite3_vtab_cursor_parquet*)pVtabCursor;
|
||||||
|
//sqlite3_vtab_parquet *pTab = (sqlite3_vtab_parquet*)pVtabCursor->pVtab;
|
||||||
|
|
||||||
|
/*
|
||||||
pCur->iRowid = 0;
|
pCur->iRowid = 0;
|
||||||
if( pCur->rdr.in==0 ){
|
if( pCur->rdr.in==0 ){
|
||||||
assert( pCur->rdr.zIn==pTab->zData );
|
assert( pCur->rdr.zIn==pTab->zData );
|
||||||
|
@ -708,6 +249,7 @@ static int parquetFilter(
|
||||||
pCur->rdr.iIn = 0;
|
pCur->rdr.iIn = 0;
|
||||||
pCur->rdr.nIn = 0;
|
pCur->rdr.nIn = 0;
|
||||||
}
|
}
|
||||||
|
*/
|
||||||
return parquetNext(pVtabCursor);
|
return parquetNext(pVtabCursor);
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
|
@ -0,0 +1,144 @@
|
||||||
|
#include "parquet_cursor.h"
|
||||||
|
|
||||||
|
ParquetCursor::ParquetCursor(ParquetTable* table) {
|
||||||
|
this->table = table;
|
||||||
|
this->rowId = -1;
|
||||||
|
// TODO: consider having a long lived handle in ParquetTable that can be borrowed
|
||||||
|
// without incurring the cost of opening the file from scratch twice
|
||||||
|
this->reader = parquet::ParquetFileReader::OpenFile(this->table->file.data());
|
||||||
|
|
||||||
|
this->rowGroupId = -1;
|
||||||
|
// TODO: handle the case where rowgroups have disjoint schemas?
|
||||||
|
// TODO: or at least, fail fast if detected
|
||||||
|
this->rowsLeftInRowGroup = 0;
|
||||||
|
|
||||||
|
this->numRows = reader->metadata()->num_rows();
|
||||||
|
this->numRowGroups = reader->metadata()->num_row_groups();
|
||||||
|
}
|
||||||
|
|
||||||
|
void ParquetCursor::nextRowGroup() {
|
||||||
|
// TODO: skip row groups that cannot satisfy the constraints
|
||||||
|
if(this->rowGroupId >= this->numRowGroups)
|
||||||
|
return;
|
||||||
|
|
||||||
|
rowGroupId++;
|
||||||
|
rowGroupMetadata = this->reader->metadata()->RowGroup(0);
|
||||||
|
rowsLeftInRowGroup = rowGroupMetadata->num_rows();
|
||||||
|
rowGroup = reader->RowGroup(rowGroupId);
|
||||||
|
for(unsigned int i = 0; i < scanners.size(); i++)
|
||||||
|
scanners[i] = NULL;
|
||||||
|
|
||||||
|
while(types.size() < (unsigned int)rowGroupMetadata->num_columns()) {
|
||||||
|
types.push_back(rowGroupMetadata->schema()->Column(0)->physical_type());
|
||||||
|
}
|
||||||
|
|
||||||
|
for(unsigned int i = 0; i < (unsigned int)rowGroupMetadata->num_columns(); i++) {
|
||||||
|
types[i] = rowGroupMetadata->schema()->Column(i)->physical_type();
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
void ParquetCursor::next() {
|
||||||
|
if(rowsLeftInRowGroup == 0)
|
||||||
|
nextRowGroup();
|
||||||
|
rowsLeftInRowGroup--;
|
||||||
|
rowId++;
|
||||||
|
}
|
||||||
|
|
||||||
|
int ParquetCursor::getRowId() {
|
||||||
|
return rowId;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool ParquetCursor::eof() {
|
||||||
|
return rowId >= numRows;
|
||||||
|
}
|
||||||
|
|
||||||
|
void ParquetCursor::ensureColumn(int col) {
|
||||||
|
// need to ensure a scanner exists (and skip the # of rows in the rowgroup)
|
||||||
|
while((unsigned int)col >= scanners.size()) {
|
||||||
|
scanners.push_back(std::shared_ptr<parquet::Scanner>());
|
||||||
|
colRows.push_back(-1);
|
||||||
|
colNulls.push_back(false);
|
||||||
|
colIntValues.push_back(0);
|
||||||
|
colDoubleValues.push_back(0);
|
||||||
|
colByteArrayValues.push_back(parquet::ByteArray());
|
||||||
|
}
|
||||||
|
|
||||||
|
if(scanners[col].get() == NULL) {
|
||||||
|
std::shared_ptr<parquet::ColumnReader> colReader = rowGroup->Column(col);
|
||||||
|
scanners[col] = parquet::Scanner::Make(colReader);
|
||||||
|
// TODO: potentially skip rows if rowsLeftInRowGroup != rowGroupMetadata->num_rows()
|
||||||
|
}
|
||||||
|
|
||||||
|
// Actually fetch a value, stash data in colRows, colNulls, colValues
|
||||||
|
if(colRows[col] != rowId) {
|
||||||
|
colRows[col] = rowId;
|
||||||
|
bool wasNull = false;
|
||||||
|
|
||||||
|
switch(types[col]) {
|
||||||
|
case parquet::Type::INT32:
|
||||||
|
{
|
||||||
|
parquet::Int32Scanner* s = (parquet::Int32Scanner*)scanners[col].get();
|
||||||
|
int rv = 0;
|
||||||
|
if(s->NextValue(&rv, &wasNull)) {
|
||||||
|
colIntValues[col] = rv;
|
||||||
|
} else {
|
||||||
|
throw std::invalid_argument("unexpectedly lacking a next value");
|
||||||
|
}
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
case parquet::Type::DOUBLE:
|
||||||
|
{
|
||||||
|
parquet::DoubleScanner* s = (parquet::DoubleScanner*)scanners[col].get();
|
||||||
|
double rv = 0;
|
||||||
|
if(s->NextValue(&rv, &wasNull)) {
|
||||||
|
colDoubleValues[col] = rv;
|
||||||
|
} else {
|
||||||
|
throw std::invalid_argument("unexpectedly lacking a next value");
|
||||||
|
}
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
case parquet::Type::BYTE_ARRAY:
|
||||||
|
{
|
||||||
|
parquet::ByteArrayScanner* s = (parquet::ByteArrayScanner*)scanners[col].get();
|
||||||
|
if(!s->NextValue(&colByteArrayValues[col], &wasNull)) {
|
||||||
|
throw std::invalid_argument("unexpectedly lacking a next value");
|
||||||
|
}
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
|
||||||
|
case parquet::Type::BOOLEAN:
|
||||||
|
case parquet::Type::INT64:
|
||||||
|
case parquet::Type::FLOAT:
|
||||||
|
case parquet::Type::INT96:
|
||||||
|
case parquet::Type::FIXED_LEN_BYTE_ARRAY:
|
||||||
|
default:
|
||||||
|
throw std::invalid_argument("cannot handle");
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
colNulls[col] = wasNull;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
bool ParquetCursor::isNull(int col) {
|
||||||
|
return colNulls[col];
|
||||||
|
}
|
||||||
|
|
||||||
|
int ParquetCursor::getInt(int col) {
|
||||||
|
return colIntValues[col];
|
||||||
|
}
|
||||||
|
|
||||||
|
double ParquetCursor::getDouble(int col) {
|
||||||
|
return colDoubleValues[col];
|
||||||
|
}
|
||||||
|
|
||||||
|
parquet::ByteArray* ParquetCursor::getByteArray(int col) {
|
||||||
|
return &colByteArrayValues[col];
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
parquet::Type::type ParquetCursor::getPhysicalType(int col) {
|
||||||
|
// return rowGroupMetadata->schema()->Column(col)->physical_type();
|
||||||
|
return types[col];
|
||||||
|
}
|
|
@ -0,0 +1,52 @@
|
||||||
|
#ifndef PARQUET_CURSOR_H
|
||||||
|
#define PARQUET_CURSOR_H
|
||||||
|
|
||||||
|
#include "parquet_table.h"
|
||||||
|
#include "parquet/api/reader.h"
|
||||||
|
|
||||||
|
class ParquetCursor {
|
||||||
|
|
||||||
|
ParquetTable* table;
|
||||||
|
std::unique_ptr<parquet::ParquetFileReader> reader;
|
||||||
|
std::unique_ptr<parquet::RowGroupMetaData> rowGroupMetadata;
|
||||||
|
std::shared_ptr<parquet::RowGroupReader> rowGroup;
|
||||||
|
std::vector<std::shared_ptr<parquet::Scanner>> scanners;
|
||||||
|
std::vector<parquet::Type::type> types;
|
||||||
|
|
||||||
|
std::vector<int> colRows;
|
||||||
|
std::vector<bool> colNulls;
|
||||||
|
std::vector<uintptr_t> colIntValues;
|
||||||
|
std::vector<double> colDoubleValues;
|
||||||
|
std::vector<parquet::ByteArray> colByteArrayValues;
|
||||||
|
|
||||||
|
int rowId;
|
||||||
|
int rowGroupId;
|
||||||
|
int numRows;
|
||||||
|
int numRowGroups;
|
||||||
|
int rowsLeftInRowGroup;
|
||||||
|
|
||||||
|
void nextRowGroup();
|
||||||
|
|
||||||
|
public:
|
||||||
|
ParquetCursor(ParquetTable* table);
|
||||||
|
int getRowId();
|
||||||
|
void next();
|
||||||
|
bool eof();
|
||||||
|
|
||||||
|
void ensureColumn(int col);
|
||||||
|
bool isNull(int col);
|
||||||
|
int getInt(int col);
|
||||||
|
double getDouble(int col);
|
||||||
|
parquet::ByteArray* getByteArray(int col);
|
||||||
|
parquet::Type::type getPhysicalType(int col);
|
||||||
|
/*
|
||||||
|
sqlite3_result_double()
|
||||||
|
sqlite3_result_int()
|
||||||
|
sqlite3_result_int64()
|
||||||
|
sqlite3_result_null()
|
||||||
|
sqlite3_result_text()
|
||||||
|
*/
|
||||||
|
};
|
||||||
|
|
||||||
|
#endif
|
||||||
|
|
|
@ -0,0 +1,84 @@
|
||||||
|
#include "parquet_table.h"
|
||||||
|
|
||||||
|
#include "parquet/api/reader.h"
|
||||||
|
|
||||||
|
ParquetTable::ParquetTable(std::string file) {
|
||||||
|
this->file = file;
|
||||||
|
}
|
||||||
|
|
||||||
|
std::string ParquetTable::CreateStatement() {
|
||||||
|
std::unique_ptr<parquet::ParquetFileReader> reader = parquet::ParquetFileReader::OpenFile(file.data());
|
||||||
|
// TODO: parse columns from file
|
||||||
|
std::string text("CREATE TABLE x(");
|
||||||
|
auto schema = reader->metadata()->schema();
|
||||||
|
printf("num cols: %d\n", schema->num_columns());
|
||||||
|
for(auto i = 0; i < schema->num_columns(); i++) {
|
||||||
|
auto _col = schema->GetColumnRoot(i);
|
||||||
|
|
||||||
|
if(!_col->is_primitive()) {
|
||||||
|
throw std::invalid_argument("parquet file has non-primitive column");
|
||||||
|
}
|
||||||
|
|
||||||
|
if(_col->is_repeated()) {
|
||||||
|
throw std::invalid_argument("parquet file has non-scalar column");
|
||||||
|
}
|
||||||
|
|
||||||
|
parquet::schema::PrimitiveNode* col = (parquet::schema::PrimitiveNode*)_col;
|
||||||
|
|
||||||
|
printf("col %d[p=%d:%s, l=%d:%s] is %s\n",
|
||||||
|
i,
|
||||||
|
col->physical_type(),
|
||||||
|
parquet::TypeToString(col->physical_type()).data(),
|
||||||
|
col->logical_type(),
|
||||||
|
parquet::LogicalTypeToString(col->logical_type()).data(),
|
||||||
|
col->name().data());
|
||||||
|
|
||||||
|
if(i > 0)
|
||||||
|
text += ", ";
|
||||||
|
|
||||||
|
text += col->name();
|
||||||
|
|
||||||
|
std::string type;
|
||||||
|
switch(col->physical_type()) {
|
||||||
|
case parquet::Type::BOOLEAN:
|
||||||
|
type = "TINYINT";
|
||||||
|
break;
|
||||||
|
case parquet::Type::INT32:
|
||||||
|
if(col->logical_type() == parquet::LogicalType::NONE) {
|
||||||
|
type = "INT";
|
||||||
|
} else if(col->logical_type() == parquet::LogicalType::INT_8) {
|
||||||
|
type = "TINYINT";
|
||||||
|
} else if(col->logical_type() == parquet::LogicalType::INT_16) {
|
||||||
|
type = "SMALLINT";
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
case parquet::Type::INT64:
|
||||||
|
type = "BIGINT";
|
||||||
|
break;
|
||||||
|
case parquet::Type::FLOAT:
|
||||||
|
type = "REAL";
|
||||||
|
break;
|
||||||
|
case parquet::Type::DOUBLE:
|
||||||
|
type = "DOUBLE";
|
||||||
|
break;
|
||||||
|
case parquet::Type::BYTE_ARRAY:
|
||||||
|
if(col->logical_type() == parquet::LogicalType::UTF8) {
|
||||||
|
type = "TEXT";
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
case parquet::Type::FIXED_LEN_BYTE_ARRAY:
|
||||||
|
case parquet::Type::INT96:
|
||||||
|
default:
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
if(type.empty()) {
|
||||||
|
throw std::invalid_argument("unsupported type");
|
||||||
|
}
|
||||||
|
printf("...%s\n", type.data());
|
||||||
|
text += " ";
|
||||||
|
text += type;
|
||||||
|
}
|
||||||
|
text +=");";
|
||||||
|
return text;
|
||||||
|
}
|
|
@ -0,0 +1,14 @@
|
||||||
|
#ifndef PARQUET_TABLE_H
|
||||||
|
#define PARQUET_TABLE_H
|
||||||
|
|
||||||
|
#include <string>
|
||||||
|
|
||||||
|
class ParquetTable {
|
||||||
|
public:
|
||||||
|
ParquetTable(std::string file);
|
||||||
|
std::string CreateStatement();
|
||||||
|
std::string file;
|
||||||
|
|
||||||
|
};
|
||||||
|
|
||||||
|
#endif
|
Loading…
Reference in New Issue