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。複雑なデータを一括で管理するための高性能な圧縮およびエンコード方式を提供し、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推奨します。次の図は、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

Notes

  • 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プライマリフィールドとして機能します。プライマリフィールドを自動インクリメントにするには、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

    対象の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ときは、書き込み時に $meta 列を指定し、対応するキーと値のデータを提供できます。

  • 大文字と小文字を区別

    辞書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。データ内の辞書キーが対象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。対象コレクションに id という名前のフィールドがある場合、各エンティティの辞書には 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する場合は、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直下に配置してください。

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

データをインポート​

データの準備ができたら、次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。

Notes

ファイルが比較的小さい場合は、フォルダまたは複数パスの方法を使用して一度にまとめてインポートすることを推奨します。この方法ではインポート処理中に内部最適化が行われるため、その後のリソース消費を減らすのに役立ちます。

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。詳細については、Import Data (Console) および Import Data (SDK) を参照してください。

複数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次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 ファイルのみが含まれている場合は、次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": ""
    }'
Notes

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、次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。

Cloud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、いくつかの制限を守る必要があります。

インポート方法

クラスタープラン

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

すべてのプラン

1 ファイル

1 GB

1 GB

オブジェクトストレージから

Free

1,000 ファイル

1 GB

1 GB

Serverless & Dedicated

1,000 ファイル

10 GB

1 TB

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推奨します。上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