Export to Parquet (etapa)

Descrição

Grava uma tabela de projeto em uma conta de documentos como um arquivo Apache Parquet. O Parquet armazena os dados por coluna, e não por linha; por isso compacta muito melhor que o CSV em tabelas largas e permite que um leitor downstream carregue apenas as colunas de que precisa.

Em geral, é a escolha certa para entregar tabelas grandes a uma plataforma de dados em nuvem ou a um fluxo de trabalho de ciência de dados. Os tipos — inteiros, decimais, datas e carimbos de data/hora — são preservados, e uma coluna de números inteiros continua sendo uma coluna de inteiros mesmo quando alguns de seus valores estão em branco. Use-a em conjunto com Importar Parquet.

Itens de configuração exclusivos

Compactação

O Parquet compacta por bloco de coluna:

Snappy — leitura mais rápida, tamanho de arquivo moderado
Zstandard — arquivos menores, exige um leitor com Zstandard 0.8 ou posterior

Prefixo do arquivo de destino

Quando a etapa exporta uma tabela para um único arquivo e o valor já termina em .parquet, como Loadfile1.parquet, o arquivo é gravado exatamente com esse nome. Caso contrário, o valor é um prefixo: cada tabela é gravada como <prefix><table name>.parquet.

Um arquivo por tabela

As exportações em Parquet gravam um arquivo para cada tabela. Escolher gravar vários arquivos é recusado, com uma mensagem informando isso; desmarque essa opção para executar a exportação.

Se o arquivo existir

Um arquivo que já existe (if_exists), em Se o arquivo existir, na página Parâmetros do arquivo:

Sobrescrevê-lo (overwrite, padrão) substitui um arquivo que já existe.
Fazer a etapa falhar sem gravar nada (fail) interrompe a etapa, sem gravar nada, quando um arquivo que ela gravaria já existe.

Itens de configuração comuns

Seletor de arquivo de exportação

O seletor de arquivo desta transformação permite escolher um destino para armazenar o resultado exportado em um documento do PlaidCloud.

Você escolhe um diretório e especifica um nome de arquivo para o arquivo de destino.

Tabela de origem

Opção dinâmica

A opção dinâmica permite especificar uma tabela por meio de texto, incluindo variáveis. Isso é útil ao usar fluxos de trabalho orientados por variáveis, nos quais as referências a tabelas e visões são relativas às variáveis especificadas.

Um exemplo que usa a variável current_month para apontar dinamicamente para a tabela de origem:

legal_entity/inputs/{current_month}/ledger_values

Opção estática

Quando você quiser uma tabela específica como origem da exportação, deixe a caixa Dinâmico desmarcada e selecione a tabela de origem.

O Explorador de tabelas está sempre disponível em qualquer seleção de tabela. Clique no botão Explorador de tabelas à direita da seleção de tabela e uma janela do Explorador de tabelas será aberta.

Seleção de uma conta de documentos

Escolha uma conta de documentos do PlaidCloud à qual você tenha acesso. Isso permite selecionar um diretório na próxima seleção.

Dentro de um projeto, a lista também oferece Project Default no topo, que representa a conta definida atualmente como padrão do projeto. Uma nova etapa pré-seleciona Project Default quando o projeto tem uma conta padrão; uma etapa existente mantém a conta com a qual foi salva até você alterá-la. Uma etapa deixada em Project Default é executada na conta que for a padrão do projeto no momento da execução; se nenhuma estiver definida, a execução falha e informa o nome do projeto, em vez de recorrer a outra conta.

Caminho do diretório de destino

Selecione o ícone Procurar à direita de Caminho do diretório de destino e navegue até o local onde você quer salvar o arquivo.

Nome do arquivo de destino

Especifique o nome com o qual o arquivo exportado deve ser salvo.

Configuração do Data Mapper

Data Mapper de tabela

O Data Mapper é usado para mapear as colunas dos dados de origem para a tabela de dados de destino.

Inspeção e Preenchimento do Mapeador

O botão de menu Inspecionar origem oferece formas adicionais de mapear colunas da origem para o destino:

Preencher ambas as tabelas de mapeamento: propaga todos os valores da tabela de dados de origem para a tabela de dados de destino. Este é o comportamento padrão.
Preencher somente a tabela de mapeamento de origem: mapeia apenas todos os valores da tabela de dados de origem. Isso é útil ao modificar um fluxo de trabalho existente quando a estrutura de colunas da origem mudou.
Preencher somente a tabela de mapeamento de destino: propaga todos os valores apenas para a tabela de dados de destino.

Se as opções de coluna de origem e de destino não forem suficientes, é possível adicionar outras colunas à tabela de dados de destino de várias maneiras:

Propagar tudo insere todas as colunas de origem na tabela de dados de destino, quer elas já existam ou não.
Propagar selecionadas insere apenas as colunas de origem selecionadas.
Clique com o botão direito no lado do destino e selecione Inserir linha para inserir uma linha imediatamente acima da linha selecionada.
Clique com o botão direito no lado do destino e selecione Anexar linha para inserir uma linha no final (extrema direita) da tabela de dados de destino.

Exclusão de Colunas

Para excluir colunas da tabela de dados de destino, selecione as colunas desejadas, clique com o botão direito e selecione Excluir.

Colunas de Origem que Não Estão Mais Listadas

Uma linha de destino pode indicar uma Coluna de origem que a tabela de dados de origem não lista mais, por exemplo depois que a origem foi inspecionada novamente. A etapa nunca remove essa linha por você. Em vez disso, o nome da coluna aparece em vermelho, após um sinal de aviso ⚠, e ao passar o mouse sobre ele é exibida a informação de que a coluna não está nas colunas de origem. Em uma etapa com várias tabelas, como uma união, cada tabela é verificada em relação às suas próprias colunas de origem.

Uma linha com resumo Constante, Expressão ou Contagem (incluindo nulos) nunca é sinalizada, porque a etapa não lê a coluna de origem dela. Nada é sinalizado enquanto a tabela de dados de origem não listar nenhuma coluna, por exemplo antes de a origem ser inspecionada pela primeira vez.

Ao salvar uma etapa que ainda tem linhas sinalizadas, uma caixa de diálogo Colunas obsoletas encontradas as lista sob a guia ou a tabela em que estão e oferece três opções:

Remover todas e salvar — remove as linhas sinalizadas e, em seguida, salva.
Salvar mesmo assim — salva a etapa como está.
Cancelar — volta para a etapa sem salvar.

Para manter uma linha e eliminar o aviso dela, adicione a coluna de volta à tabela de dados de origem ou escolha uma coluna que a tabela de dados de origem liste.

Colunas ausentes na tabela de origem

Ao salvar, a própria tabela de dados de origem é verificada no estado atual. Uma coluna que a etapa lista nas colunas de origem, mas que a tabela não tem, por exemplo uma que uma etapa anterior renomeou ou removeu, significa que as colunas da etapa estão desatualizadas, e uma etapa que lê essa coluna falha ao ser executada. Nesse caso, ao salvar, abre-se uma caixa de diálogo Colunas de origem ausentes que informa cada tabela e as colunas que faltam nela, com duas opções:

Salvar mesmo assim — salva a etapa como está.
Cancelar — volta para a etapa sem salvar.

Nada é removido automaticamente, porque o problema pode estar na tabela, e ela pode mudar de novo antes da execução da etapa. Quando há também linhas sinalizadas como não listadas, ambas aparecem juntas na caixa de diálogo Colunas obsoletas encontradas, e Remover todas e salvar remove apenas as linhas sinalizadas. Enquanto a lista de colunas de origem estiver vazia, são verificadas as colunas que a etapa mapeia, exceto as linhas com resumo Constante, Expressão ou Contagem (incluindo nulos), que não leem nenhuma coluna.

Uma origem nomeada com uma variável, como {year}/Sales, é verificada com o valor da variável no momento em que você salva, e a caixa de diálogo informa a tabela verificada, como 2026/Sales (from {year}/Sales). Uma variável definida por um loop contém o valor da última iteração, portanto um loop sobre tabelas com estruturas diferentes pode alertar sobre uma tabela que a próxima execução não vai ler. Não são verificadas uma tabela que ainda não existe, por exemplo uma criada por uma etapa anterior do fluxo de trabalho, uma origem cuja variável não tem valor, uma tabela que a etapa localiza por pesquisa durante a execução ou uma tabela que não pode ser lida no momento.

Tipo de Dados da Coluna

Toda coluna de destino tem um Tipo. Uma coluna propagada da origem mantém o tipo da coluna de origem; uma linha que você adiciona manualmente começa como Texto, e você define o Tipo para indicar o que ela deve realmente ser — uma coluna que você pretende somar ou ordenar precisa do tipo numérico ou de data, porque texto é ordenado e somado como texto.

Uma etapa salva com uma coluna sem nenhum tipo ainda é executada. O tipo é determinado quando a etapa é iniciada, a partir da coluna de origem que essa coluna lê. Onde não há de onde lê-lo, ele é tratado como texto: as colunas de uma etapa Extrair SQL vêm da consulta que você escreveu, e não de uma origem mapeada, e onde várias origens têm o mesmo nome de coluna com tipos divergentes, usa-se texto em vez de adivinhar um deles — um palpite errado gera uma conversão que o data warehouse pode rejeitar, e qualquer coisa pode ser convertida em texto.

Definir o Tipo você mesmo continua sendo a forma de dizer o que uma coluna deve ser. Deixá-lo sem definição significa aceitar o tipo que a coluna de origem tiver.

Alteração da Ordem das Colunas

Para reorganizar as colunas na tabela de dados de destino, selecione as colunas desejadas. Você pode usar:

Setas de movimentação em massa: selecione a opção de movimentação desejada nas setas no canto superior direito
Menu de contexto: clique com o botão direito e selecione Mover para o início, Mover para cima, Mover para baixo ou Mover para o final.

Reduzir o Resultado a Registros Distintos

Para retornar apenas opções distintas, selecione a opção de menu Distintos. Isso exibe um conjunto de caixas de seleção para cada coluna da origem. Basta marcar a caixa ao lado da coluna correspondente para retornar apenas resultados distintos.

Dependendo da situação, talvez seja melhor considerar o uso de resumo.

O processo de distinção mantém o primeiro registro exclusivo encontrado e descarta os demais. Talvez você queira aplicar uma ordenação aos dados se a consistência entre execuções for importante.

Agregação e Agrupamento

Para agregar resultados, selecione a opção de menu Resumir. Isso exibe um conjunto de caixas de seleção para cada coluna da tabela de dados de destino. Escolha um método de resumo adequado para cada coluna.

Quando Inspecionar origem preenche as colunas, uma coluna numérica começa como Agrupar por em vez de Soma se o nome dela se parecer com um identificador, como id, customer_id, Order No ou CustomerKey, se a tabela dela a definir como chave ou se a junção a usar como chave.

Agrupar por
Soma
Mínimo
Máximo
Primeiro
Último
Contagem
Contagem (incluindo nulos)
Média
Desvio padrão
Desvio padrão amostral
Desvio padrão populacional
Variância
Variância amostral
Variância populacional
Avançado sem Agrupar por

Para uso avançado do Data Mapper, como expressões, limpeza e constantes, consulte Uso avançado do Data Mapper

Filtros de dados da tabela

Para oferecer o máximo de flexibilidade, há filtros de dados tanto nos dados de origem quanto nos dados de destino. Em conjuntos de dados maiores, filtrar linhas na origem pode ser especialmente vantajoso, pois as demais operações são executadas sobre um conjunto de dados menor.

Selecionar subconjunto de dados

Este tipo de filtro permite filtrar os dados de origem de entrada com base nas condições especificadas.

Aplicar filtro secundário aos dados de resultado

Este tipo de filtro permite aplicar um filtro aos dados de resultado já transformados, com base nas condições especificadas. Aplicar um filtro ao resultado transformado permite fazer exclusões com base em resultados de cálculos complexos, sumarizações ou funções de janela.

Divisão final da tabela de dados (limite)

O recurso de divisão de linhas permite limitar as linhas do conjunto de resultados com base em um intervalo e um ponto de partida.

Sintaxe de filtro

A sintaxe de filtro usa o Python SQLAlchemy, a mesma sintaxe das outras expressões.

Veja exemplos e funções de expressão na área Expressões.