メインコンテンツまでスキップ

Parquet ファイルからインポート

Apache Parquet は、効率的なデータ保存と取得のために設計された、オープンソースの列指向データファイル形式です。複雑なデータを大量に管理するための高性能な圧縮およびエンコーディング方式を備えており、さまざまなプログラミング言語や分析ツールでサポートされています。

生データを Parquet ファイルに準備するには、BulkWriter ツールを使用することをお勧めします。以下の図は、生データを Parquet ファイルにどのようにマッピングできるかを示しています。

parquet_file_structure_en

📘注意

  • AutoID を有効にするかどうか

    id フィールドはコレクションの主フィールドとして機能します。主フィールドを自動的にインクリメントさせるには、スキーマで AutoID を有効にできます。この場合、ソースデータ内の各行から id フィールドを除外する必要があります。

  • 動的フィールドを有効にするかどうか

    ターゲットコレクションで動的フィールドが有効になっている場合、事前定義されたスキーマに含まれていないフィールドを保存する必要があるなら、書き込み操作中に $meta 列を指定し、対応するキー・バリューデータを提供できます。

  • 大文字と小文字を区別

    ディクショナリのキーとコレクションのフィールド名は大文字と小文字を区別します。データ内のディクショナリキーが、ターゲットコレクションのフィールド名と完全に一致していることを確認してください。ターゲットコレクションに id という名前のフィールドがある場合、各エンティティディクショナリには id. という名前のキーが必要です。ID や Id を使用するとエラーになります。

ディレクトリ構造​

データを Parquet ファイルとして準備したい場合は、以下のツリー図のように、すべての Parquet ファイルをソースデータフォルダに直接配置してください。

plaintext
├── parquet-folder
│       ├── 1.parquet
│       └── 2.parquet

データのインポート​

データの準備ができたら、以下のいずれかの方法を使用して Zilliz Cloud コレクションにインポートできます。

📘注意

ファイルが比較的小さい場合は、フォルダ方式または複数パス方式を使用して一度にすべてインポートすることをお勧めします。この方法では、インポート処理中に内部最適化を行えるため、後続のリソース消費を抑えるのに役立ちます。

Milvus SDK を使用して、Zilliz Cloud コンソール上でデータをインポートすることもできます。詳細は、Import Data (Console) および Import Data (SDK) を参照してください。

複数のパスからファイルをインポートする場合は、各 Parquet ファイルのパスを個別のリストに含め、それらすべてのリストを以下のコード例のように上位レベルのリストにまとめます。

python
curl --request POST \
     --url "https://api.cloud.zilliz.com/v2/vectordb/jobs/import/create" \
     --header "Authorization: Bearer ${TOKEN}" \
     --header "Accept: application/json" \
     --header "Content-Type: application/json" \
     -d '{
        "clusterId": "inxx-xxxxxxxxxxxxxxx",
        "collectionName": "medium_articles",
        "partitionName": "",
        "objectUrls": [
            ["s3://bucket-name/parquet-folder-1/1.parquet"],
            ["s3://bucket-name/parquet-folder-2/1.parquet"],
            ["s3://bucket-name/parquet-folder-3/"]
         ],
        "accessKey": "",
        "secretKey": ""
    }'

フォルダからファイルをインポート​

ソースフォルダにインポート対象の Parquet ファイルだけが含まれている場合は、以下のようにリクエストにソースフォルダを含めるだけで済みます。

python
curl --request POST \
     --url "https://api.cloud.zilliz.com/v2/vectordb/jobs/import/create" \
     --header "Authorization: Bearer ${TOKEN}" \
     --header "Accept: application/json" \
     --header "Content-Type: application/json" \
     -d '{
        "clusterId": "inxx-xxxxxxxxxxxxxxx",
        "collectionName": "medium_articles",
        "partitionName": "",
        "objectUrls": [
            ["s3://bucket-name/parquet-folder/"]
         ],
        "accessKey": "",
        "secretKey": ""
    }'
📘注意

フォルダに複数形式のファイルが含まれている場合、リクエストは失敗します。

単一ファイルをインポート​

準備したデータファイルが単一の Parquet ファイルである場合は、以下のコード例のようにインポートします。

python
curl --request POST \
     --url "https://api.cloud.zilliz.com/v2/vectordb/jobs/import/create" \
     --header "Authorization: Bearer ${TOKEN}" \
     --header "Accept: application/json" \
     --header "Content-Type: application/json" \
     -d '{
        "clusterId": "inxx-xxxxxxxxxxxxxxx",
        "collectionName": "medium_articles",
        "partitionName": "",
        "objectUrls": [
            ["s3://bucket-name/parquet-folder/1.parquet"]
         ],
        "accessKey": "",
        "secretKey": ""
    }'

ストレージパス​

Zilliz Cloud は、クラウドストレージからのデータインポートをサポートしています。以下の表は、データファイルに使用可能なストレージパスを示しています。

クラウド簡単な例
AWS S3s3://bucket-name/parquet-folder/
s3://bucket-name/parquet-folder/data.parquet
Google Cloud Storagegs://bucket-name/parquet-folder/
gs://bucket-name/parquet-folder/data.parquet
Azure Bolbhttps://myaccount.blob.core.windows.net/bucket-name/parquet-folder/
https://myaccount.blob.core.windows.net/bucket-name/parquet-folder/data.parquet

制限​

ローカルの Parquet ファイル、またはクラウドストレージ上の Parquet ファイルからデータをインポートする際には、いくつかの制限に従う必要があります。

インポート方法インポートあたりの最大ファイル数最大ファイルサイズ最大合計インポートサイズ
ローカルファイルから1 ファイル1 GB1 GB
オブジェクトストレージから1,000 ファイル10 GB1 TB

生データを parquet ファイルとして準備するには、BulkWriter ツールを使用することをお勧めします。上記の図のスキーマに基づいて準備されたサンプルデータをダウンロードするには、ここをクリックしてください。

Ctrl I