textChunkDS

语法

textChunkDS(filename, chunkSize, [delimiter], [schema], [skipRows=0], [arrayDelimiter], [containHeader])

参数

filename 一个字符串，表示文件的绝对路径。

chunkSize 1 到 2048 之间的整数，表示文件块的大小，单位是 MB。

delimiter 字符串标量，表示数据文件中列的分隔符。分隔符可以是一个或多个字符，默认为逗号（’,’）。

schema 表对象，用于指定各字段的数据类型。具体请参考 loadText 的 schema 参数。

skipRows 0 到 1024 之间的整数，表示从文件头开始忽略的行数。它是一个可选参数。默认值为 0。

New in version 2.00.5: 参数 arrayDelimiter

arrayDelimiter 数据文件中数组向量列的分隔符。默认是逗号。由于不支持自动识别数组向量，必须同步修改 schema 的 type 列修为数组向量类型。

New in version 2.00.8: 参数 containHeader

containHeader 布尔值，表示数据文件是否包含标题行，默认为空。具体请参考 loadText 的 containHeader 参数。

详情

将文件划分为多个数据源，每个数据源的大小为 chunkSize。如果需要将大文本文件加载到 DolphinDB, 可以使用 textChunkDS 函数将文本文件划分为多个小文件数据源，再通过 mr 函数写入到数据库中。与直接把大文本文件加载到数据库对比，这种方法占用的内存更少。

当 DolphinDB 加载数据文件时，会进行随机抽样，并基于样本决定每列的数据类型。这个方法不一定每次都能准确决定各列的数据类型。因此我们建议，在加载数据前，使用 extractTextSchema 函数查看 DolphinDB 识别每列的数据类型。如果 DolphinDB 识别的数据类型不符合预期，可以在 schema 的 type 列中指定数据类型。对于日期列或时间列，如果 DolphinDB 识别的数据类型不符合预期，不仅需要在 schema 的 type 列指定时间类型，还需要在 format 列中指定数据文件中日期或时间的格式（用字符串表示），如 “MM/dd/yyyy”。如何表示日期和时间格式请参考 日期和时间的调整及格式。

例子

首先，通过以下脚本生成一个大约 3.2G 的文本文件：

$ n=30000000
$ workDir = "/home/DolphinDB"
$ if(!exists(workDir)) mkdir(workDir)
$ trades=table(rand(`IBM`MSFT`GM`C`FB`GOOG`V`F`XOM`AMZN`TSLA`PG`S,n) as sym, 2000.01.01+rand(365,n) as date, 10.0+rand(2.0,n) as price1, 100.0+rand(20.0,n) as price2, 1000.0+rand(200.0,n) as price3, 10000.0+rand(2000.0,n) as price4, 10000.0+rand(3000.0,n) as price5, 10000.0+rand(4000.0,n) as price6, rand(10,n) as qty1, rand(100,n) as qty2, rand(1000,n) as qty3, rand(10000,n) as qty4, rand(10000,n) as qty5, rand(10000,n) as qty6)
$ trades.saveText(workDir + "/trades.txt");

通过 textChunkDS 函数和 mr 函数将该文件导入到分布式数据库中：

$ db=database("dfs://db1",VALUE, `IBM`MSFT`GM`C`FB`GOOG`V`F`XOM`AMZN`TSLA`PG`S)
$ pt=db.createPartitionedTable(trades,`pt,`sym)
$ ds=textChunkDS(workDir + "/trades.txt",500)
$ mr(ds,append!{pt},,,false)

需要注意的是，这里每个小文件数据源可能包含相同分区的数据。DolphinDB 不允许多个线程同时对相同分区进行写入，因此要将 mr 函数 parallel 参数设置为 false，否则会抛出异常。