Converter Parquet para XLSX

Um arquivo .parquet chegando numa caixa de entrada é uma pequena falha de tradução. É o formato padrão dentro de uma plataforma de dados — compacto, tipado, rápido de consultar — e não é um formato que nenhum aplicativo de escritório trata como próprio. Não há um caminho Arquivo, Abrir para ele no Excel, e o que o conector do Power Query aceita depende da versão e da licença na sua frente.

Pedir uma exportação diferente costuma ser a resposta certa e nem sempre está disponível: quem mandou pode estar em outro fuso, o pipeline pode só escrever Parquet, ou o arquivo pode ser o resultado de um processo que já terminou. Converter você mesmo leva um momento e não exige nada instalado.

Esse é o motivo de converter para XLSX em vez de CSV, e é uma diferença real, não uma preferência. Um arquivo Parquet registra o tipo de cada coluna. Um CSV não registra nenhum, então todo valor vira texto e o Excel aplica sua própria interpretação na importação — onde identificadores viram número e códigos viram data.

Uma célula de planilha carrega seu tipo. Colunas numéricas chegam como células numéricas e colunas booleanas como células booleanas, então uma soma funciona no primeiro clique, um filtro oferece uma faixa numérica em vez de uma lista de strings, e uma tabela dinâmica trata a coluna de valor como valor. Nada foi reinferido a partir de caracteres, porque os valores nunca viraram caracteres no caminho.

Timestamps são a exceção. Uma coluna de timestamp é escrita como uma string ISO 8601 — `2024-03-11T09:30:00.000Z` — e cai numa célula de texto, então vai ordenar corretamente como texto mas não vai responder a aritmética de data nem alimentar um filtro de data numa tabela dinâmica.

Converter é uma operação conhecida e leva cerca de dez segundos por coluna: selecione a coluna, Dados, Texto para Colunas, Avançar, Avançar, e no passo final escolha Data com a ordem AMD. O Excel então interpreta o valor como uma data de verdade. O motivo de a conversão não fazer isso automaticamente é que o fuso horário e o formato de exibição são decisões de apresentação, e tomá-las no Excel — onde você vê o resultado — é melhor que tomá-las silenciosamente num arquivo.

Uma planilha guarda 1.048.576 linhas incluindo o cabeçalho, e 16.384 colunas. É um limite do próprio formato de planilha, então nenhum conversor consegue superar, e nenhuma versão do Excel vai mostrar as linhas além dele.

Arquivos Parquet rotineiramente guardam mais que isso, porque o formato existe para tabelas que uma planilha não consegue segurar. Quando a extração passa da linha, a resposta honesta é que precisa ser filtrada ou agregada antes, e quem produziu o arquivo consegue fazer isso muito mais barato que você. Peça as linhas de um mês, ou os totais por categoria, em vez de um arquivo maior.

O Parquet tem um tipo inteiro de 64 bits, e uma planilha guarda cerca de quinze algarismos significativos. Um valor além do que pode ser representado exatamente é escrito na célula como texto em vez de um número arredondado.

É o jeito certo mesmo parecendo inconsistente ao lado das outras colunas numéricas. Uma referência de pedido ou identificador de transação arredondado ainda parece um identificador válido, não bate com nada, e é muito difícil de rastrear de volta; o mesmo valor como célula de texto alinhada à esquerda é obviamente texto e está correto.

O Parquet consegue guardar uma lista, um struct ou um mapa numa coluna só. Uma célula de planilha guarda um valor só, então essas colunas são escritas como texto JSON: uma lista aparece como `["a","b"]` numa célula e um struct como um objeto com os nomes dos membros.

É legível e não é trabalhável. Não há fórmula que trate isso como dado sem uma quantidade substancial de manipulação de texto, e uma tabela dinâmica vê uma string longa só. Se essas colunas importam para a análise, o conserto é rio acima: peça para serem achatadas em colunas separadas na exportação.

Um arquivo Parquet guarda exatamente uma tabela com um esquema, então a pasta de trabalho tem uma planilha. Ela recebe o nome do arquivo sem a extensão, cortado nos trinta e um caracteres que um nome de planilha permite, o que significa que um nome de arquivo gerado longo é cortado em vez de recusado.

Os nomes de coluna vêm como o rodapé os registrou, incluindo qualquer sublinhado, prefixo ou segmento tipo caminho que um pipeline de dados deu a eles. Frequentemente não são os nomes que alguém escolheria para um relatório, e renomeá-los na primeira linha é o primeiro passo normal.

Consideravelmente. O Parquet guarda valores em forma binária, comprime cada coluna separadamente, e guarda um valor repetido uma vez com pequenas referências a ele; uma planilha guarda uma célula por valor com seu próprio tipo e referências de estilo, dentro de um ZIP de XML.

Um arquivo Parquet modesto, portanto, produz uma planilha várias vezes maior, às vezes muito mais quando as colunas são bastante repetitivas — as que comprimiram melhor na entrada são as que mais se expandem na saída. Vale conferir a contagem de linhas antes de converter um arquivo que você não olhou ainda.

O leitor de Parquet e o gravador de planilha são as duas bibliotecas carregadas sob demanda por esta página, e a conversão roda ali. Nenhuma requisição carrega o arquivo, então uma extração que ainda não foi agregada ou mascarada não vira uma cópia no servidor de terceiros só porque alguém precisou olhar no Excel.

Essa costuma ser a restrição que decide se um conversor online pode ser usado nesta dupla. Um arquivo Parquet de uma plataforma de dados normalmente está mais perto da tabela crua que de um relatório, e enviar um é exatamente o que uma política de tratamento de dados existe para impedir.