[C++] 1.4.1 library allows creation of parquet file w/NULL values for INT types
- Lenguaje dominante
- Java
- Estrellas
- 3.1k
- Forks
- 1.6k
- Merge medio
- 3 d 12 h
- PR fusionados (30 d)
- 33
Descripción
The parquet-cpp v1.4.1 library allows generation of parquet files with NULL values for INT type columns which causes unexpected parsing errors in downstream systems ingesting those files.
e.g.,
`Error parsing the parquet file: UNKNOWN can not be applied to a primitive type`
**Reproduction Steps**
OS: CentOS 7.5.1804
Python: 3.4.8
Prerequisites:
- Install the following packages: `Numpy: 1.14.5`, `Pandas: 0.22.0`, `PyArrow: 0.9.0`
Step 1
Generate the parquet file.
`sample_w_null.csv`
```Java
col1,col2,col3,col4,col5
1,2,,4,5
```
`parquet-1361-repro-1.py`
{code}
#!/usr/bin/python
import numpy as np
import pyarrow as pa
import pyarrow.parquet as pq
import pandas as pd
input_file = 'sample_w_null.csv'
output_file = 'int_unknown.parquet'
p_schema = {'col1': np.int32,
'col2': np.int32,
'col3': np.unicode_,
'col4': np.int32,
'col5': np.int32}
df = pd.read_csv(input_file, dtype=p_schema)
table = pa.Table.from_pandas(df)
pq.write_table(table, output_file)
```Java
+Step 2+
Inspect the metadata of the generated file.
{{parquet-1361-repro-2.py}}
```
#!/usr/bin/python
import pyarrow.parquet as pq
for filename in ['int_unknown.parquet']:
pq_file = pq.ParquetFile(filename)
print(pq_file.metadata)
print(pq_file.schema)
print(pq_file.num_row_groups)
print(pq.read_table(filename, columns=['col1','col2','col3','col4','col5']).to_pandas())
```Java
Results
```
created_by: parquet-cpp version 1.4.1-SNAPSHOT
num_columns: 6
num_rows: 1
num_row_groups: 1
format_version: 1.0
serialized_size: 1434
col1: INT32
col2: INT32
col3: INT32 UNKNOWN
col4: INT32
col5: INT32
__index_level_0__: INT64
1
col1 col2 col3 col4 col5
0 1 2 None 4 5
{code}
**Reporter**: [Ken Terada](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=spherified)
#### Original Issue Attachments:
- [parquet-1361-repro-1.py](https://issues.apache.org/jira/secure/attachment/12933498/parquet-1361-repro-1.py)
- [parquet-1361-repro-2.py](https://issues.apache.org/jira/secure/attachment/12933499/parquet-1361-repro-2.py)
- [sample_w_null.csv](https://issues.apache.org/jira/secure/attachment/12933500/sample_w_null.csv)
**Note**: *This issue was originally created as [PARQUET-1361](https://issues.apache.org/jira/browse/PARQUET-1361). Please see the [migration documentation](https://issues.apache.org/jira/browse/PARQUET-2502) for further details.*
Guía de contribución
No hay ninguna guía de contribución indexada para este repositorio
Línea de trabajo
Comienza con parquet-1361-repro-1.py y sample_w_null.csv para reproducir el archivo generado; después, usa parquet-1361-repro-2.py para inspeccionar su esquema y el manejo de NULL. Rastrea la ruta de escritura responsable de la columna INT32 UNKNOWN y compara el resultado con los metadatos de Parquet esperados; se considera terminado cuando las columnas INT nullable ya no producen un tipo primitivo UNKNOWN no válido y la reproducción puede leerse posteriormente.
Escrito por el modelo de indexación a partir del texto del issue.
Evaluación
- Stack tecnológico
- cpp, pandas, python
- Área
- data-engineering, databases
- Tipo de issue
- Error
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Estado de actividad
- Estancado
- Claridad
- Bastante claro
- Aptitud para principiantes
- 25/100