Parquet को XLSX में बदलें

इनबॉक्स में पहुँची .parquet फ़ाइल अनुवाद की एक छोटी नाकामी है। यह डेटा प्लेटफ़ॉर्म के भीतर का मानक फ़ॉर्मेट है — छोटा, टाइप किया हुआ, तेज़ी से क्वेरी करने लायक़ — और यह कोई ऑफ़िस ऐप्लिकेशन अपना नहीं मानता। Excel में इसके लिए File, Open वाला कोई रास्ता नहीं है।

अलग एक्सपोर्ट माँगना अक्सर सही जवाब है और हमेशा उपलब्ध नहीं होता — भेजने वाला किसी और टाइम ज़ोन में हो सकता है, पाइपलाइन सिर्फ़ Parquet लिखती हो, या फ़ाइल किसी पहले ही ख़त्म हो चुकी जॉब का नतीजा हो। ख़ुद बदलने में एक पल लगता है और कुछ भी इंस्टॉल करने की ज़रूरत नहीं पड़ती।

यही XLSX चुनने की असली वजह है, CSV की नहीं। Parquet फ़ाइल हर कॉलम का प्रकार दर्ज करती है। CSV कोई नहीं दर्ज करती, इसलिए हर मान पाठ बन जाता है और Excel इम्पोर्ट पर अपनी व्याख्या ख़ुद लगाता है — यहीं पहचानकर्ता संख्या बन जाते हैं और कोड तारीख़ें बन जाते हैं।

वर्कबुक की कोशिका अपना प्रकार साथ रखती है। संख्या-कॉलम संख्या-कोशिका बनकर आते हैं और बूलियन-कॉलम बूलियन-कोशिका, इसलिए जोड़ पहले ही क्लिक पर काम करता है, फ़िल्टर स्ट्रिंग की सूची की बजाय संख्या-रेंज देता है।

टाइमस्टैंप अपवाद है। कोई टाइमस्टैंप-कॉलम ISO 8601 स्ट्रिंग के रूप में लिखा जाता है — `2024-03-11T09:30:00.000Z` — और पाठ-कोशिका में उतरता है, इसलिए वह पाठ के रूप में सही क्रम में लगेगी पर तारीख़ की गणना या pivot table के तारीख़-फ़िल्टर पर काम नहीं करेगी।

बदलना जाना-पहचाना काम है और प्रति कॉलम लगभग दस सेकंड लेता है: कॉलम चुनिए, Data, Text to Columns, और आख़िरी चरण में Date चुनिए YMD क्रम के साथ। यह सुविधा ख़ुद-ब-ख़ुद न देने की वजह यह है कि टाइम-ज़ोन और दिखावट का फ़ैसला प्रस्तुति का सवाल है, और उसे Excel में करना — जहाँ आप नतीजा देख सकते हैं — फ़ाइल में चुपचाप करने से बेहतर है।

किसी वर्कशीट में हेडर सहित 1,048,576 पंक्तियाँ समाती हैं, और 16,384 कॉलम। यह स्प्रेडशीट फ़ॉर्मेट की ही सीमा है, इसलिए कोई कन्वर्टर इसे पार नहीं कर सकता।

Parquet फ़ाइलें अक्सर इससे ज़्यादा रखती हैं, क्योंकि यह फ़ॉर्मेट उन टेबलों के लिए है जो स्प्रेडशीट में नहीं समातीं। सीमा पार करने पर ईमानदार जवाब है कि उसे पहले फ़िल्टर या जोड़ना पड़ेगा — एक महीने की पंक्तियाँ माँगिए, या श्रेणी के अनुसार कुल, बड़ी फ़ाइल की बजाय। पहले पूछा सवाल अक्सर दस लाख पंक्तियों को उतनी हज़ार में बदल देता है जो असल में जवाब देती हैं।

Parquet में 64-बिट पूर्णांक प्रकार है, और स्प्रेडशीट लगभग पंद्रह सार्थक अंक रखती है। जो मान इससे आगे है वह गोल की गई संख्या की बजाय कोशिका में पाठ के रूप में लिखा जाता है।

यही सही तरीक़ा है भले वह बाक़ी संख्या-कॉलमों के बगल में असंगत दिखे। गोल किया गया कोई ऑर्डर संदर्भ फिर भी वैध पहचानकर्ता जैसा दिखता है, किसी से मेल नहीं खाता, और उसे वापस खोजना बहुत मुश्किल है — वही मान बाईं ओर संरेखित पाठ-कोशिका के रूप में स्पष्ट रूप से पाठ है और सही है।

Parquet एक कॉलम में सूची, struct या map रख सकता है। स्प्रेडशीट की कोशिका एक मान रखती है, इसलिए वे कॉलम JSON पाठ के रूप में लिखे जाते हैं: सूची किसी कोशिका में `["a","b"]` जैसी दिखती है और struct अपने सदस्य-नामों वाली किसी ऑब्जेक्ट जैसी।

यह पढ़ने लायक़ है और काम करने लायक़ नहीं। कोई फ़ॉर्मूला उसे बिना बड़ी पाठ-हेराफेरी के डेटा नहीं मानेगा। अगर वे कॉलम मायने रखते हैं, तो सही जगह ऊपर है — निर्यात में उन्हें अलग-अलग कॉलमों में सपाट करने के लिए कहिए, जो स्रोत क्वेरी में एक-लाइन का बदलाव है।

Parquet फ़ाइल में ठीक एक टेबल एक स्कीमा के साथ होती है, इसलिए वर्कबुक में एक वर्कशीट होती है। इसका नाम फ़ाइल से एक्सटेंशन हटाकर मिलता है, इकतीस अक्षरों तक काटकर जो वर्कशीट का नाम अनुमति देता है।

कॉलम-नाम वैसे ही आते हैं जैसे फ़ुटर ने दर्ज किए, अंडरस्कोर, प्रीफ़िक्स या पथ जैसे हिस्सों सहित जो डेटा-पाइपलाइन ने दिए हों। ये अक्सर वे नाम नहीं जो कोई रिपोर्ट के लिए चुनता, और वर्कबुक में पहली पंक्ति में उनका नाम बदलना सामान्य पहला क़दम है।

काफ़ी बड़ी। Parquet मान द्विआधारी रूप में रखता है, हर कॉलम को अलग संपीड़ित करता है, और दोहराया मान एक बार रखकर उसकी ओर छोटे संदर्भ रखता है; वर्कशीट हर मान के लिए अपनी प्रकार-जानकारी के साथ एक कोशिका रखती है, XML के ZIP में।

एक छोटी Parquet फ़ाइल इसलिए अपने आकार से कई गुना बड़ी वर्कबुक देती है, कभी-कभी कहीं ज़्यादा जब कॉलम बहुत दोहराव वाले हों — जो सबसे अच्छा संपीड़ित हुए वही सबसे ज़्यादा फैलते हैं। बदलने से पहले पंक्ति-गिनती जाँच लेना समझदारी है।

Parquet रीडर और स्प्रेडशीट राइटर दोनों इसी पन्ने पर लोड होने वाली लाइब्रेरी हैं, और कन्वर्ज़न वहीं चलता है। कोई अनुरोध फ़ाइल नहीं ले जाता, इसलिए ऐसा एक्सट्रैक्ट जो अभी तक जोड़ा या छिपाया नहीं गया, किसी और के सर्वर पर कॉपी नहीं बनता सिर्फ़ इसलिए कि किसी को उसे Excel में देखना था।

यही अक्सर तय करता है कि कोई ऑनलाइन कन्वर्टर इस जोड़े के लिए इस्तेमाल हो सकता है या नहीं। डेटा प्लेटफ़ॉर्म की Parquet फ़ाइल आमतौर पर किसी रिपोर्ट से ज़्यादा कच्ची टेबल के क़रीब होती है, और उसे अपलोड करना ठीक वही है जो कोई डेटा-हैंडलिंग नीति रोकने के लिए बनी है।