Apache Arrow 4.0.0 发布，内存数据交换格式

内容简介：Apache Arrow 4.0.0 现已发布，该版本涵盖了 3 个月的开发工作，包括来自 114 个不同贡献者的 711 个已解决的问题。此外，自 3.0.0 发布以来，Yibo Cai、Ian Cook 和 Jonathan Keane 已被邀请为 Arrow 的 commit...

Apache Arrow 4.0.0 现已发布，该版本涵盖了 3 个月的开发工作，包括来自 114 个不同贡献者的 711 个已解决的问题。此外，自 3.0.0 发布以来，Yibo Cai、Ian Cook 和 Jonathan Keane 已被邀请为 Arrow 的 committers，Andrew Lamb 和 Jorge Leitão 则加入了项目管理委员会（PMC）。

Apache Arrow 是 Apache 基金会的顶级项目之一，目的是作为一个跨平台的数据层来加快大数据分析项目的运行速度。它包含一组规范的内存中的平面和分层数据表示，以及多种语言绑定以进行结构操作。 它还提供低架构流式传输和批量消息传递，零拷贝进程间通信（IPC）和矢量化的内存分析库。

新版本的一些更新内容如下：

Arrow Flight RPC notes

在 Java 中，应用程序现在可以在写入数据时启用零拷贝优化（ARROW-11066）。这有可能破坏源代码的兼容性，所以默认情况下不启用。

Arrow Flight 现在已被打包给 C#/.NET。

Linux packages notes

此前曾有由 Bintray 提供的用于 C++ 和 C GLib 的 Linux 软件包。但自 2021-05-01 起，Bintray 已不再可用。因此，它们现在由 Artifactory 提供。鉴于 URL 已经改变，所以用户需要改变安装说明。详情可查看安装页面的新说明。以下是需要修改的摘要：

对于 Debian GNU Linux 和 Ubuntu 用户：

• 用户需要更改apache-arrow-archive-keyring的安装说明：
  • 程序包名称更改为apache-arrow-apt-source。
  • 下载网址已从https://apache.bintray.com/arrow/...更改为https://apache.jfrog.io/artifactory/arrow/...。

对于 CentOS 和 Red Hat Enterprise Linux 用户：

• 用户需要更改apache-arrow-release的安装说明：
  • 下载网址已从https://apache.bintray.com/arrow/...更改为https://apache.jfrog.io/artifactory/arrow/...。

C++ notes

Arrow C++ 库现在包括一个 vcpkg.json 清单文件和一个新的 CMake 选项-DARROW_DEPENDENCY_SOURCE=VCPKG，以简化使用 vcpkg 包管理器的依赖关系安装。这提供了一种在 Linux、macOS 和 Windows 上安装 C++ 库依赖项的替代方法。

macOS 上的默认内存分配器已从 jemalloc 改为 mimalloc，在一系列宏基准测试中产生了性能优势（ARROW-12316）。

根据 Arrow 格式规范，现在不允许非单调的密集联合偏移量，并在 Array::ValidateFull 中返回一个错误（ARROW-10580）。

Compute layer

计算内核中的自动隐式转换（ARROW-8919）。例如，对于两个数组的加法，首先将数组转换为它们的公共数字类型，而不是在类型不相等时出错。

已为数字数据添加了计算函数quantile（ARROW-10831）和power（ARROW-11070）。

用于字符串处理的计算函数已添加到：

• 修剪字符（ARROW-9128）。
• 提取由正则表达式模式捕获的子字符串（extract_regex，ARROW-10195）。
• 计算 UTF8 字符串长度（utf8_length，ARROW-11693）。
• 根据正则表达式模式匹配字符串（match_substring_regex，ARROW-12134）。
• 替换与文字模式或正则表达式匹配的非重叠子字符串（replace_substring和replace_substring_regex，ARROW-10306）。

现在可以对十进制和 fixed-width 的二进制数据进行排序（ARROW-11662）。

sum内核的精度得到了提高（ARROW-11758）。

CSV

• CSV writer 已添加（ARROW-2229）。
• CSV reader 现在可以推断出带有小数秒的时间戳列（ARROW-12031）。

Dataset

Arrow Datasets 获得了各种性能改进和新功能。一些重点：

• 可以在扫描时从任意表达式投影新列（ARROW-11174）
• Parquet 在高延迟文件系统上的读取性能得到了改善，通常是在有成千上万的文件或更多的文件时。
• 可以写入 Null partition keys（ARROW-10438）
• 可以读取压缩的 CSV 文件（ARROW-10372）
• 文件系统支持异步操作（ARROW-10846）
• 用法和 API 文档已添加（ARROW-11677）

Files and filesystems

• 修复了一些罕见的 GZip 文件实例无法正确读取的情况（ARROW-12169）。
• 添加了对设置 S3 代理参数的支持（ARROW-8900）。
• HDFS 文件系统现在可以一次写入 2GB 以上的数据（ARROW-11391）。

更多详情可查看更新说明：https://arrow.apache.org/blog/2021/05/03/4.0.0-release/ 

以上所述就是小编给大家介绍的《Apache Arrow 4.0.0 发布，内存数据交换格式》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！

查看所有标签

猜你喜欢:

• Apache Arrow 0.17.1 发布，内存数据交换格式
• Apache Arrow 1.0.0 发布，内存数据交换格式
• Apache Arrow 0.9.0 发布，内存数据交换格式
• Apache Arrow 3.0.0 发布，内存数据交换格式
• Apache Arrow 0.11.0 发布，内存数据交换格式
• Apache Arrow 0.11.0 发布，内存数据交换格式

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。