如何解决在读取镶木地板文件时，是否有一种处理嵌入式nul的方法？
我从互联网上抓取了数据（因此编码有所不同）并存储为实木复合地板文件。在R中处理它时，我使用了箭头库。对于以下代码段
library(arrow)
download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.parquet','sample.parquet')
read_parquet(file = 'sample.parquet',as_data_frame = TRUE)
我明白了-
Error in Table__to_dataframe(x,use_threads = option_use_threads()) :
embedded nul in string: '\0 at \0'
所以，我想，如果我可以将文件读取为二进制文件并自己替换嵌入的nul字符\ 0，该怎么办？
parquet <- read_parquet(file = 'sample.parquet',as_data_frame = FALSE)
raw <- write_to_raw(parquet,format = "file")
print(raw)
在这种情况下，我得到了难以理解的字符和nul流，这使得删除流中有问题的'00'个字符非常困难。
[1] 41 52 52 4f 57 31 00 00 ff ff ff ff d0 02 00 00 10 00 00 00 00 00 0a 00 0c 00 06 00
[29] 05 00 08 00 0a 00 00 00 00 01 04 00 0c 00 00 00 08 00 08 00 00 00 04 00 08 00 00 00
[57] 04 00 00 00 0d 00 00 00 70 02 00 00 38 02 00 00 10 02 00 00 d0 01 00 00 a4 01 00 00
[85] 74 01 00 00 34 01 00 00 04 01 00 00 cc 00 00 00 9c 00 00 00 64 00 00 00 34 00 00 00
[113] 04 00 00 00 d4 fd ff ff 00 00 01 05 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00
[141] c4 fd ff ff 0a 00 00 00 77 61 72 63 5f 6c 61 6e 67 73 00 00 00 fe ff ff 00 00 01 05
[169] 14 00 00 00 0c 00 00 00 04 00 00 00 00 00 00 00 f0 fd ff ff 0b 00 00 00 6c 61 6e 67
[197] 5f 64 65 74 65 63 74 00 2c fe ff ff 00 00 01 03 18 00 00 00 0c 00 00 00 04 00
是否有一种读取镶木地板的方式，使得在读取时会跳过嵌入的螺母？ 还是有一种模式可以用来有效地从以下镶木地板字符串中去除嵌入的指甲？
例如，当我读取与csv存储的文件时，R提供了安全读取文件的功能：
download.file('https://github.com/akashshah59/embedded_nul_parquet/raw/main/CC-MAIN-20200702045758-20200702075758-00007.tsv','sample.tsv')
table <- read.csv('sample.tsv',sep = '\t',quote = """,skipNul = TRUE)
在这里，skipNul会有效地跳过Nuls并返回具有所需尺寸的data.frame。
会话信息：
> sessionInfo()
R version 3.4.4 (2018-03-15)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 18.04.5 LTS
Matrix products: default
BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.7.1
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.7.1
locale:
[1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C LC_TIME=en_US.UTF-8
[4] LC_COLLATE=en_US.UTF-8 LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
[7] LC_PAPER=en_US.UTF-8 LC_NAME=C LC_ADDRESS=C
[10] LC_TELEPHONE=C LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] stringr_1.4.0 dplyr_1.0.2 tictoc_1.0 arrow_1.0.1 sparklyr_1.4.0
参考： Arrow manual
解决方法
这可能是bug。 arrow可以读取文件。将其转换为数据帧时出现错误。
library(arrow)
library(tidyverse)
read_parquet("parquet.parquet",as_data_frame = FALSE)
#> Table
#> 45483 rows x 13 columns
#> $date <string>
#> $raw <string>
#> $url <string>
#> $isReliable <int64>
#> $title <string>
#> $language1 <string>
#> $language1_conf <int64>
#> $language2 <string>
#> $language2_conf <int64>
#> $language3 <string>
#> $language3_conf <int64>
#> $lang_detect <string>
#> $warc_first <string>
具体来说，第二列raw存在问题。读取其他所有列都可以。
df_except_bad_col <- read_parquet("parquet.parquet",col_select = -2)
df_except_bad_col
#> # A tibble: 45,483 x 12
#> date url isReliable title language1 language1_conf language2 language2_conf language3 language3_conf lang_detect
#> <chr> <chr> <int> <chr> <chr> <int> <chr> <int> <chr> <int> <chr>
#> 1 2019~ http~ 1 2019~ ja 96 en 2 un 0 ja
#> 2 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 3 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 4 2020~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 5 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 6 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 7 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 8 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 9 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> 10 2019~ http~ 1 Косм~ ru 87 en 3 un 0 ru
#> # ... with 45,473 more rows,and 1 more variable: warc_first <chr>
将该列转换为向量会导致问题。
bad_column <- read_parquet("parquet.parquet",col_select = 2,as_data_frame = FALSE)
bad_column[[1]]$as_vector()
#> Error in ChunkedArray__as_vector(self) :
#> embedded nul in string: '\0 at \0'
没有一种很好的方法可以成功读取该列。您可以将其读为二进制文件，丢弃nul，然后转换为字符
fixed_column <-
bad_column[[1]]$cast(binary())$as_vector() %>%
map(discard,~. == 0x00) %>%
map_chr(rawToChar)
mutate(df_except_bad_col,raw = fixed_column)
#> # A tibble: 45,483 x 13
#> date url isReliable title language1 language1_conf language2 language2_conf language3 language3_conf lang_detect warc_first raw
#> <chr> <chr> <int> <chr> <chr> <int> <chr> <int> <chr> <int> <chr> <chr> <chr>
#> 1 2019-12-31 http://10mm.hatenablo~ 1 2019-12-31から1日間の記事一覧 - 1~ ja 96 en 2 un 0 ja ja "2019-12-31"
#> 2 2020-06-10~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "10 июнÑ\u008~
#> 3 2020-06-04~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "4 июнÑ\u008f~
#> 4 2020-05-29~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "29 маÑ\u008f ~
#> 5 2019-12-19~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "19 декабр~
#> 6 2019-12-15~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "15 декабр~
#> 7 2019-12-13~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "13 декабр~
#> 8 2019-10-14~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "14 октÑ\u008~
#> 9 2019-10-02~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "2 октÑ\u008f~
#> 10 2019-09-14~ http://3dmag.org/ru/t~ 1 Космос / Поиск по тегам ~ ru 87 en 3 un 0 ru ru "14 Ñ\u0081енÑ~
#> # ... with 45,473 more rows
在 arrow 3.0.0（现在在 CRAN 上）中，您可以设置此选项以去除嵌入的 null：
options(arrow.skip_nul = TRUE)
在 R 会话中执行此操作后，如果遇到嵌入的 nul，read_parquet() 将成功并显示此警告：
Warning message:
Stripping '\0' (nul) from character vector
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。