{"id":478342,"date":"2023-08-09T09:31:27","date_gmt":"2023-08-09T09:31:27","guid":{"rendered":""},"modified":"2023-09-05T11:16:35","modified_gmt":"2023-09-05T11:16:35","slug":"parquet","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/pl\/wiki\/parquet\/","title":{"rendered":"Parkiet"},"content":{"rendered":"

Parquet to format pliku do przechowywania kolumnowego, zaprojektowany z my\u015bl\u0105 o wydajnym przechowywaniu i przetwarzaniu du\u017cych ilo\u015bci danych. Zosta\u0142 opracowany jako projekt open source przez Cloudera i Twitter w 2013 roku. G\u0142\u00f3wnym celem Parquet jest optymalizacja przechowywania i przetwarzania danych na potrzeby analizy du\u017cych zbior\u00f3w danych, co czyni go idealnym formatem do zastosowa\u0144 w hurtowniach danych, jeziorach danych i Apache Ekosystemy Hadoopa.<\/p>\n

Historia powstania parkietu i pierwsza wzmianka o nim<\/h2>\n

Pocz\u0105tki Parquet si\u0119gaj\u0105 potrzeby wydajnego przechowywania i przetwarzania du\u017cych zbior\u00f3w danych. Wraz z rozwojem technologii big data tradycyjne formaty przechowywania stan\u0119\u0142y przed wyzwaniami zwi\u0105zanymi z obs\u0142ug\u0105 du\u017cych zbior\u00f3w danych. Rozw\u00f3j firmy Parquet mia\u0142 na celu rozwi\u0105zanie tych problem\u00f3w poprzez wprowadzenie podej\u015bcia do przechowywania kolumnowego.<\/p>\n

Pierwsz\u0105 wzmiank\u0119 o Parquet mo\u017cna znale\u017a\u0107 w artykule badawczym zaprezentowanym przez in\u017cynier\u00f3w Twittera podczas Sympozjum na temat zasad system\u00f3w operacyjnych (SOSP) w 2013 roku. W artykule tym przedstawili oni format Parquet i podkre\u015blili jego zalety, takie jak lepsza kompresja, ulepszone zapytania wydajno\u015b\u0107 i obs\u0142ug\u0119 z\u0142o\u017conych typ\u00f3w danych.<\/p>\n

Szczeg\u00f3\u0142owe informacje o parkiecie: Rozszerzenie tematu<\/h2>\n

Parkiet stosuje podej\u015bcie do przechowywania kolumnowego, w kt\u00f3rym dane s\u0105 przechowywane i organizowane w kolumnach, a nie w wierszach. Taka konstrukcja umo\u017cliwia r\u00f3\u017cne optymalizacje wydajno\u015bci i jest szczeg\u00f3lnie korzystna w przypadku obci\u0105\u017ce\u0144 analitycznych. Niekt\u00f3re kluczowe cechy parkietu obejmuj\u0105:<\/p>\n

    \n
  1. \n

    Przechowywanie kolumnowe:<\/strong> Parquet przechowuje ka\u017cd\u0105 kolumn\u0119 osobno, co pozwala na lepsz\u0105 kompresj\u0119 i mo\u017cliwo\u015b\u0107 odczytu tylko wymaganych kolumn podczas wykonywania zapytania.<\/p>\n<\/li>\n

  2. \n

    Techniki kompresji:<\/strong> Parquet wykorzystuje r\u00f3\u017cne algorytmy kompresji, takie jak Snappy, Gzip i Zstandard, aby zmniejszy\u0107 przestrze\u0144 dyskow\u0105 i poprawi\u0107 wydajno\u015b\u0107 odczytu danych.<\/p>\n<\/li>\n

  3. \n

    Obs\u0142uga typ\u00f3w danych:<\/strong> Oferuje szerok\u0105 obs\u0142ug\u0119 r\u00f3\u017cnych typ\u00f3w danych, w tym typ\u00f3w pierwotnych (np. Integer, String, Boolean) i typ\u00f3w z\u0142o\u017conych (np. Tablice, mapy, struktury).<\/p>\n<\/li>\n

  4. \n

    Ewolucja schematu:<\/strong> Parquet obs\u0142uguje ewolucj\u0119 schematu, umo\u017cliwiaj\u0105c u\u017cytkownikom dodawanie, usuwanie lub modyfikowanie kolumn w miar\u0119 up\u0142ywu czasu bez zak\u0142\u00f3cania zgodno\u015bci z istniej\u0105cymi danymi.<\/p>\n<\/li>\n

  5. \n

    Przesuni\u0119cie predykatu:<\/strong> Ta funkcja wypycha predykaty zapyta\u0144 do warstwy przechowywania, zmniejszaj\u0105c ilo\u015b\u0107 danych, kt\u00f3re nale\u017cy odczyta\u0107 podczas wykonywania zapytania.<\/p>\n<\/li>\n

  6. \n

    Przetwarzanie r\u00f3wnoleg\u0142e:<\/strong> Pliki Parquet mo\u017cna podzieli\u0107 na mniejsze grupy wierszy, umo\u017cliwiaj\u0105c przetwarzanie r\u00f3wnoleg\u0142e w \u015brodowiskach rozproszonych, takich jak Hadoop.<\/p>\n<\/li>\n

  7. \n

    Kompatybilno\u015b\u0107 mi\u0119dzy platformami:<\/strong> Parquet zosta\u0142 zaprojektowany tak, aby by\u0142 niezale\u017cny od platformy, umo\u017cliwiaj\u0105c p\u0142ynn\u0105 wymian\u0119 danych pomi\u0119dzy r\u00f3\u017cnymi systemami.<\/p>\n<\/li>\n<\/ol>\n

    Wewn\u0119trzna struktura parkietu: jak dzia\u0142a parkiet<\/h2>\n

    Pilniki do parkietu sk\u0142adaj\u0105 si\u0119 z kilku element\u00f3w, kt\u00f3re przyczyniaj\u0105 si\u0119 do wydajnego przechowywania i przetwarzania:<\/p>\n

      \n
    1. \n

      Metadane pliku:<\/strong> Zawiera informacje o schemacie pliku, zastosowanych algorytmach kompresji i innych w\u0142a\u015bciwo\u015bciach.<\/p>\n<\/li>\n

    2. \n

      Grupy wierszy:<\/strong> Ka\u017cdy plik Parquet jest podzielony na grupy wierszy, kt\u00f3re z kolei s\u0105 podzielone na kolumny. Grupy wierszy pomagaj\u0105 w przetwarzaniu r\u00f3wnoleg\u0142ym i kompresji danych.<\/p>\n<\/li>\n

    3. \n

      Metadane kolumny:<\/strong> Dla ka\u017cdej kolumny Parquet przechowuje metadane, takie jak typ danych, kodek kompresji i informacje o kodowaniu.<\/p>\n<\/li>\n

    4. \n

      Strony danych:<\/strong> Strony danych przechowuj\u0105 rzeczywiste dane kolumnowe i s\u0105 indywidualnie kompresowane w celu maksymalizacji wydajno\u015bci przechowywania.<\/p>\n<\/li>\n

    5. \n

      Strony s\u0142ownika (opcjonalnie):<\/strong> W przypadku kolumn z powtarzaj\u0105cymi si\u0119 warto\u015bciami Parquet u\u017cywa kodowania s\u0142ownikowego do przechowywania unikalnych warto\u015bci i odwo\u0142ywania si\u0119 do nich na stronach danych.<\/p>\n<\/li>\n

    6. \n

      Statystyka:<\/strong> Parquet mo\u017ce r\u00f3wnie\u017c przechowywa\u0107 statystyki dla ka\u017cdej kolumny, takie jak warto\u015bci minimalne i maksymalne, kt\u00f3re mo\u017cna wykorzysta\u0107 do optymalizacji zapyta\u0144.<\/p>\n<\/li>\n<\/ol>\n

      Analiza kluczowych cech parkietu<\/h2>\n

      Kluczowe cechy Parquet przyczyniaj\u0105 si\u0119 do jego szerokiego zastosowania i popularno\u015bci w przetwarzaniu du\u017cych zbior\u00f3w danych. Przeanalizujmy niekt\u00f3re z tych funkcji:<\/p>\n

        \n
      1. \n

        Wydajna kompresja:<\/strong> Techniki kolumnowego przechowywania i kompresji firmy Parquet pozwalaj\u0105 uzyska\u0107 mniejsze rozmiary plik\u00f3w, redukuj\u0105c koszty przechowywania i poprawiaj\u0105c pr\u0119dko\u015b\u0107 przesy\u0142ania danych.<\/p>\n<\/li>\n

      2. \n

        Optymalizacja wydajno\u015bci:<\/strong> Odczytuj\u0105c podczas zapyta\u0144 tylko niezb\u0119dne kolumny, Parquet minimalizuje operacje we\/wy, co prowadzi do szybszego przetwarzania zapyta\u0144.<\/p>\n<\/li>\n

      3. \n

        Elastyczno\u015b\u0107 schematu:<\/strong> Obs\u0142uga ewolucji schemat\u00f3w pozwala na elastyczne zmiany schemat\u00f3w danych bez nara\u017cania istniej\u0105cych danych.<\/p>\n<\/li>\n

      4. \n

        Obs\u0142uga wielu j\u0119zyk\u00f3w:<\/strong> Pliki Parquet mog\u0105 by\u0107 u\u017cywane w r\u00f3\u017cnych j\u0119zykach programowania, w tym Java, Python, C++ i innych, co czyni go uniwersalnym formatem dla r\u00f3\u017cnorodnych przep\u0142yw\u00f3w pracy zwi\u0105zanych z przetwarzaniem danych.<\/p>\n<\/li>\n

      5. \n

        Bogactwo typ\u00f3w danych:<\/strong> Rozbudowana obs\u0142uga r\u00f3\u017cnych typ\u00f3w danych zaspokaja szeroki zakres przypadk\u00f3w u\u017cycia, uwzgl\u0119dniaj\u0105c z\u0142o\u017cone struktury danych powszechne w analizie du\u017cych zbior\u00f3w danych.<\/p>\n<\/li>\n

      6. \n

        Interoperacyjno\u015b\u0107:<\/strong> Jako projekt typu open source z dobrze okre\u015blon\u0105 specyfikacj\u0105, Parquet promuje interoperacyjno\u015b\u0107 r\u00f3\u017cnych narz\u0119dzi i system\u00f3w.<\/p>\n<\/li>\n<\/ol>\n

        Rodzaje parkiet\u00f3w i ich charakterystyka<\/h2>\n

        Parkiet wyst\u0119puje w dw\u00f3ch g\u0142\u00f3wnych wersjach: Parkiet-1.0<\/strong> I Parkiet-2.0<\/strong>. Ten ostatni jest r\u00f3wnie\u017c znany jako Parkiet Apache Arrow<\/strong> i jest oparty na formacie danych Arrow. Obie wersje maj\u0105 te same podstawowe koncepcje i zalety, ale r\u00f3\u017cni\u0105 si\u0119 pod wzgl\u0119dem kompatybilno\u015bci i zestawu funkcji. Poni\u017cej por\u00f3wnanie obu wersji:<\/p>\n\n\n\n\n\n\n\n\n\n
        Funkcja<\/th>\nParkiet-1.0<\/th>\nParkiet-2.0 (parkiet Apache Arrow)<\/th>\n<\/tr>\n<\/thead>\n
        Ewolucja schematu<\/td>\nUtrzymany<\/td>\nUtrzymany<\/td>\n<\/tr>\n
        Kompresja kolumnowa<\/td>\nObs\u0142ugiwane (Gzip, Snappy itp.)<\/td>\nObs\u0142ugiwane (Gzip, Snappy, LZ4, Zstd)<\/td>\n<\/tr>\n
        Kodowanie s\u0142ownikowe<\/td>\nUtrzymany<\/td>\nUtrzymany<\/td>\n<\/tr>\n
        Obs\u0142uga danych zagnie\u017cd\u017conych<\/td>\nOgraniczona obs\u0142uga typ\u00f3w z\u0142o\u017conych<\/td>\nPe\u0142ne wsparcie dla typ\u00f3w z\u0142o\u017conych<\/td>\n<\/tr>\n
        Zgodno\u015b\u0107<\/td>\nKompatybilny z wi\u0119kszo\u015bci\u0105 narz\u0119dzi<\/td>\nPoprawiona kompatybilno\u015b\u0107 poprzez Arrow<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

        Sposoby wykorzystania parkietu, problemy i rozwi\u0105zania<\/h2>\n

        Sposoby wykorzystania parkietu<\/h3>\n

        Parquet znajduje zastosowania w r\u00f3\u017cnych scenariuszach wymagaj\u0105cych du\u017cej ilo\u015bci danych, takich jak:<\/p>\n

          \n
        1. \n

          Magazyn danych:<\/strong> Parkiet jest powszechnie u\u017cywany do hurtowni danych ze wzgl\u0119du na szybkie wykonywanie zapyta\u0144 i wydajne przechowywanie.<\/p>\n<\/li>\n

        2. \n

          Przetwarzanie du\u017cych danych:<\/strong> W Hadoop i innych platformach przetwarzania du\u017cych zbior\u00f3w danych preferowanym wyborem s\u0105 pliki Parquet ze wzgl\u0119du na ich mo\u017cliwo\u015bci przetwarzania r\u00f3wnoleg\u0142ego.<\/p>\n<\/li>\n

        3. \n

          Jeziora danych:<\/strong> Parkiet to popularny format przechowywania r\u00f3\u017cnorodnych typ\u00f3w danych w jeziorach danych, u\u0142atwiaj\u0105cy analizowanie i wydobywanie spostrze\u017ce\u0144.<\/p>\n<\/li>\n

        4. \n

          Dane strumieniowe:<\/strong> Dzi\u0119ki obs\u0142udze ewolucji schematu Parquet nadaje si\u0119 do obs\u0142ugi zmieniaj\u0105cych si\u0119 strumieni danych.<\/p>\n<\/li>\n<\/ol>\n

          Problemy i rozwi\u0105zania<\/h3>\n
            \n
          1. \n

            Problemy ze zgodno\u015bci\u0105:<\/strong> Niekt\u00f3re starsze narz\u0119dzia mog\u0105 mie\u0107 ograniczon\u0105 obs\u0142ug\u0119 Parquet-2.0. Rozwi\u0105zaniem jest u\u017cycie Parquet-1.0 lub aktualizacja narz\u0119dzi do obs\u0142ugi najnowszej wersji.<\/p>\n<\/li>\n

          2. \n

            Z\u0142o\u017cono\u015b\u0107 projektu schematu:<\/strong> Projektowanie elastycznego schematu wymaga dok\u0142adnego rozwa\u017cenia. Korzystanie z ujednoliconego schematu w r\u00f3\u017cnych \u017ar\u00f3d\u0142ach danych mo\u017ce upro\u015bci\u0107 integracj\u0119 danych.<\/p>\n<\/li>\n

          3. \n

            Obawy dotycz\u0105ce jako\u015bci danych:<\/strong> Nieprawid\u0142owe typy danych lub zmiany schematu mog\u0105 prowadzi\u0107 do problem\u00f3w z jako\u015bci\u0105 danych. Praktyki sprawdzania poprawno\u015bci danych i ewolucji schemat\u00f3w mog\u0105 z\u0142agodzi\u0107 te problemy.<\/p>\n<\/li>\n

          4. \n

            Narzut na zimny start:<\/strong> Odczyt kilku pierwszych wierszy pliku Parquet mo\u017ce by\u0107 wolniejszy ze wzgl\u0119du na analiz\u0119 metadanych. Wst\u0119pne buforowanie lub u\u017cycie zoptymalizowanej struktury plik\u00f3w mo\u017ce z\u0142agodzi\u0107 ten narzut.<\/p>\n<\/li>\n<\/ol>\n

            G\u0142\u00f3wna charakterystyka i inne por\u00f3wnania<\/h2>\n\n\n\n\n\n\n\n\n\n\n\n\n
            Charakterystyka<\/th>\nOpis<\/th>\n<\/tr>\n<\/thead>\n
            Format przechowywania<\/td>\nKolumnowy<\/td>\n<\/tr>\n
            Opcje kompresji<\/td>\nGzip, Snappy, LZ4, Zstandard<\/td>\n<\/tr>\n
            Niezale\u017cno\u015b\u0107 Platformy<\/td>\nTak<\/td>\n<\/tr>\n
            Obs\u0142uga typ\u00f3w danych<\/td>\nRozbudowane wsparcie dla prymitywnych i z\u0142o\u017conych typ\u00f3w danych<\/td>\n<\/tr>\n
            Ewolucja schematu<\/td>\nUtrzymany<\/td>\n<\/tr>\n
            Przesuni\u0119cie predykatu<\/td>\nUtrzymany<\/td>\n<\/tr>\n
            Przetwarzanie r\u00f3wnoleg\u0142e<\/td>\nW\u0142\u0105czone poprzez grupy wierszy<\/td>\n<\/tr>\n
            Interoperacyjno\u015b\u0107<\/td>\nWsp\u00f3\u0142pracuje z r\u00f3\u017cnymi platformami Big Data, takimi jak Apache Hadoop, Apache Spark i Apache Drill<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

            Perspektywy i technologie przysz\u0142o\u015bci zwi\u0105zane z parkietem<\/h2>\n

            Przysz\u0142o\u015b\u0107 Parquet wygl\u0105da obiecuj\u0105co, wraz z ci\u0105g\u0142ymi wysi\u0142kami na rzecz poprawy jego mo\u017cliwo\u015bci i integracji. Niekt\u00f3re kluczowe obszary rozwoju i przyj\u0119cia obejmuj\u0105:<\/p>\n

              \n
            1. \n

              Zoptymalizowane silniki zapyta\u0144:<\/strong> Ci\u0105g\u0142y rozw\u00f3j silnik\u00f3w zapyta\u0144, takich jak Apache Arrow, Apache Drill i Presto, jeszcze bardziej zwi\u0119kszy wydajno\u015b\u0107 zapyta\u0144 Parquet.<\/p>\n<\/li>\n

            2. \n

              Wsparcie transmisji strumieniowej:<\/strong> Oczekuje si\u0119, \u017ce Parquet odegra znacz\u0105c\u0105 rol\u0119 w przesy\u0142aniu strumieniowym i analizie danych w czasie rzeczywistym dzi\u0119ki nowym technologiom, takim jak Apache Kafka i Apache Flink.<\/p>\n<\/li>\n

            3. \n

              Jeziora danych w chmurze:<\/strong> Wzrost liczby jezior danych w chmurze, wspierany przez platformy takie jak Amazon S3 i Azure Data Lake Storage, b\u0119dzie motorem przyj\u0119cia rozwi\u0105zania Parquet ze wzgl\u0119du na jego op\u0142acalno\u015b\u0107 i skalowaln\u0105 wydajno\u015b\u0107.<\/p>\n<\/li>\n

            4. \n

              Integracja AI i ML:<\/strong> Poniewa\u017c Parquet skutecznie przechowuje du\u017ce zbiory danych, pozostanie integraln\u0105 cz\u0119\u015bci\u0105 proces\u00f3w przygotowywania danych i uczenia si\u0119 w projektach uczenia maszynowego i sztucznej inteligencji.<\/p>\n<\/li>\n<\/ol>\n

              Jak serwery proxy mog\u0105 by\u0107 u\u017cywane lub kojarzone z parkietem<\/h2>\n

              Serwery proxy mog\u0105 korzysta\u0107 z Parquet na kilka sposob\u00f3w:<\/p>\n

                \n
              1. \n

                Buforowanie i kompresja danych:<\/strong> Serwery proxy mog\u0105 u\u017cywa\u0107 Parquet do wydajnego buforowania cz\u0119sto u\u017cywanych danych, skracaj\u0105c czas odpowiedzi na kolejne \u017c\u0105dania.<\/p>\n<\/li>\n

              2. \n

                Przetwarzanie dziennik\u00f3w i analiza:<\/strong> Dzienniki serwera proxy zebrane w formacie Parquet mo\u017cna analizowa\u0107 za pomoc\u0105 narz\u0119dzi do przetwarzania du\u017cych zbior\u00f3w danych, co prowadzi do cennych spostrze\u017ce\u0144 dotycz\u0105cych optymalizacji i bezpiecze\u0144stwa sieci.<\/p>\n<\/li>\n

              3. \n

                Wymiana i integracja danych:<\/strong> Serwery proxy obs\u0142uguj\u0105ce dane z r\u00f3\u017cnych \u017ar\u00f3de\u0142 mog\u0105 konwertowa\u0107 i przechowywa\u0107 dane w formacie Parquet, umo\u017cliwiaj\u0105c bezproblemow\u0105 integracj\u0119 z platformami Big Data i systemami analitycznymi.<\/p>\n<\/li>\n

              4. \n

                Optymalizacja zasob\u00f3w:<\/strong> Wykorzystuj\u0105c pami\u0119\u0107 kolumnow\u0105 Parquet i mo\u017cliwo\u015bci przekazywania predykat\u00f3w, serwery proxy mog\u0105 optymalizowa\u0107 wykorzystanie zasob\u00f3w i poprawia\u0107 og\u00f3ln\u0105 wydajno\u015b\u0107.<\/p>\n<\/li>\n<\/ol>\n

                powi\u0105zane linki<\/h2>\n

                Wi\u0119cej informacji na temat Parquet mo\u017cna znale\u017a\u0107 w nast\u0119puj\u0105cych zasobach:<\/p>\n

                  \n
                1. Oficjalna strona internetowa firmy Apache Parquet<\/a><\/li>\n
                2. Specyfikacja formatu parkietu<\/a><\/li>\n
                3. Blog in\u017cynieryjny Cloudera na temat parkietu<\/a><\/li>\n
                4. Oficjalna strona Apache Arrow<\/a> (aby uzyska\u0107 informacje na temat Parquet-2.0)<\/li>\n<\/ol>","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-478342","wiki","type-wiki","status-publish","hentry"],"acf":{"faq_title":"Frequently Asked Questions about Parquet: A Comprehensive Guide<\/mark>","faq_items":[{"question":"What is Parquet?","answer":"

                  Parquet is a columnar storage file format designed for efficient storage and processing of large datasets. It is particularly well-suited for big data analytics, data warehousing, and Apache Hadoop environments.<\/p>"},{"question":"How did Parquet originate, and when was it first mentioned?","answer":"

                  Parquet was developed as an open-source project by Cloudera and Twitter in 2013. It was first mentioned in a research paper presented by Twitter engineers at the Symposium on Operating Systems Principles (SOSP) in the same year.<\/p>"},{"question":"What are the key features of Parquet?","answer":"

                  Parquet offers several key features, including columnar storage, efficient compression techniques, support for various data types (primitive and complex), schema evolution, predicate pushdown, and parallel processing.<\/p>"},{"question":"How does Parquet work internally?","answer":"

                  Internally, Parquet files consist of file metadata, row groups, column metadata, data pages, and optional dictionary pages. This design allows for optimized storage, fast query processing, and support for various data types.<\/p>"},{"question":"What are the different types of Parquet versions, and how do they differ?","answer":"

                  Parquet comes in two main versions: Parquet-1.0 and Parquet-2.0 (Apache Arrow Parquet). While both versions share core concepts, Parquet-2.0 offers improved compatibility with Arrow-based systems and additional compression options.<\/p>"},{"question":"In what ways can Parquet be used, and what problems does it solve?","answer":"

                  Parquet finds applications in data warehousing, big data processing, data lakes, and handling streaming data. It solves challenges related to efficient storage, fast query performance, schema evolution, and cross-platform compatibility.<\/p>"},{"question":"What are the main characteristics of Parquet compared to other storage formats?","answer":"

                  Compared to other formats, Parquet stands out for its columnar storage, efficient compression options, extensive data type support, schema evolution capabilities, and the ability to enable predicate pushdown for query optimization.<\/p>"},{"question":"What are the perspectives and future technologies related to Parquet?","answer":"

                  The future of Parquet is promising, with ongoing improvements in query engines, support for real-time data streaming, and its growing role in cloud data lakes and AI\/ML integration.<\/p>"},{"question":"How can proxy servers benefit from Parquet?","answer":"

                  Proxy servers can utilize Parquet for caching, data compression, log processing, and seamless data integration. Parquet's resource optimization features can improve overall proxy server performance.<\/p>"},{"question":"Where can I find more information about Parquet?","answer":"

                  For more information about Parquet, you can visit the Apache Parquet Official Website<\/a> or refer to the Parquet Format Specification on GitHub<\/a>. Additionally, you can explore Cloudera's Engineering Blog for insightful articles on Parquet. For information on Parquet-2.0, you can visit the Apache Arrow Official Website<\/a>.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/478342","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/478342\/revisions"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media?parent=478342"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}