全部产品
Search
文档中心

数据湖构建:基于Daft和DLF的自动驾驶多模态数据湖实践

更新时间:Jul 10, 2026

演示如何用 Daft + DLF Paimon 表管理自动驾驶多摄像头帧数据:原图与缩略图以 BLOB 形式入湖、按 channel/车速/天气快速过滤、按需拉取大字节、为训练集打 tag 回溯,并接入 PIL/模型预处理 UDF。

场景

智能驾驶车队从多摄像头采集帧序列入湖,下游用于训练集筛选、回归集抽样、感知模型批量预处理。典型需求如下:

  • 按 channel(相机通道)、时间窗、自车状态等维度快速定位帧。

  • BLOB 形式的图像不能每次都全量物化。

  • 训练集快照(snapshot)可回溯、可打 tag(tag 即 snapshot 的命名引用)。

各组件分工如下:

组件

提供能力

Paimon

存储、Schema 演进、时间旅行

Daft

lazy DataFrame、优化器、BLOB-as-daft.File 多模态语义

DLF

Catalog 服务、OSS 凭证管理

前提条件

安装依赖

  1. 下载 pypaimon 离线安装包pypaimon-1.5.dev20260704.tar.gz

  2. 安装 Python 依赖

    在离线包所在目录执行以下命令,一次性安装通用依赖与本场景额外依赖:

    pip install \
        daft \
        'pyarrow>=16,<=21' \
        pandas \
        requests \
        pypaimon-1.5.dev20260608.tar.gz \
        modelscope \
        datasets \
        pillow \
        oss2
  3. 验证环境

    import daft
    from pypaimon.daft import read_paimon, write_paimon
    print("daft:", daft.__version__, "pypaimon.daft: OK")

配置 Catalog 连接

通过以下配置连接 DLF Catalog,本文示例统一引用变量名 CATALOG_OPTIONS

CATALOG_OPTIONS = {
    "metastore": "rest",
    "uri": "http://<DLF-ENDPOINT>",       # 公网访问须使用 HTTPS
    "warehouse": "<YOUR-CATALOG>",
    "token.provider": "dlf",
    "dlf.region": "<REGION-ID>",
    "dlf.access-key-id": "<ACCESS-KEY-ID>",
    "dlf.access-key-secret": "<ACCESS-KEY-SECRET>",
    "dlf.oss-endpoint": "<OSS-ENDPOINT>", # VPC 可选,公网必填
}

各参数说明如下:

参数

说明

metastore

固定为 rest

uri

DLF Paimon REST 访问端点,详见 服务接入点与公网访问。VPC 访问支持 HTTP 和 HTTPS 协议,公网访问必须使用 HTTPS 协议。

warehouse

DLF Catalog 名称。

token.provider

AccessKey 认证模式下填 dlf

dlf.region

DLF 所属地域 ID(如 cn-hangzhou),详见 服务接入点与公网访问

dlf.access-key-id / dlf.access-key-secret

DLF AccessKey。

dlf.security-token

(可选)STS 安全令牌。

dlf.oss-endpoint

(可选)OSS 公网访问 endpoint。

步骤 1:准备素材数据

从 ModelScope 加载公开的自动驾驶道路场景数据集,并提取 JPG 原图及其尺寸信息。

import io
from PIL import Image
from modelscope.msdatasets import MsDataset

ds = MsDataset.load("modelscope/image_object_detection_auto_dataset", split="test")
print(f"loaded {len(ds)} road-scene JPGs from ModelScope public dataset")

def fetch_jpgs(n: int = 24):
    out = []
    for i in range(min(n, len(ds))):
        row = ds[i]
        with open(row["Input Image:FILE"], "rb") as f:
            jpg = f.read()
        with Image.open(io.BytesIO(jpg)) as im:
            w, h = im.size
        out.append({"title": row["Title"], "bytes": jpg, "w": w, "h": h})
    return out

raws = fetch_jpgs(24)

每张图片约为 30-100KB JPG,均为真实公开数据。

步骤 2:创建 BLOB 分区表

channel 是典型查询过滤维度(如“取某个相机的某段帧”),将其用作 partition key 可让分区裁剪天然生效。

说明

BLOB 表 Schema 限制:large_binary 列的表必须设置 row-tracking.enabled=truedata-evolution.enabled=true,否则 DLF 服务端将拒绝建表。

import pyarrow as pa
from pypaimon import CatalogFactory, Schema

catalog = CatalogFactory.create(CATALOG_OPTIONS)
catalog.create_database("default", True)

pa_schema = pa.schema([
    pa.field("sample_token",  pa.string(), nullable=False),     # 帧唯一 ID
    pa.field("scene_token",   pa.string()),                      # 同一段场景的帧共享
    pa.field("channel",       pa.string()),                      # partition key
    pa.field("timestamp",     pa.timestamp("ms")),
    pa.field("ego_speed_kmh", pa.float64()),
    pa.field("weather",       pa.string()),
    pa.field("width",         pa.int32()),
    pa.field("height",        pa.int32()),
    pa.field("frame_jpg",     pa.large_binary()),                # 原图(BLOB)
    pa.field("thumbnail",     pa.large_binary()),                # 缩略图(BLOB)
])
schema = Schema.from_pyarrow_schema(
    pa_schema,
    partition_keys=["channel"],
    options={
        "bucket": "-1",
        "file.format": "parquet",
        "row-tracking.enabled": "true",     # BLOB 列必需
        "data-evolution.enabled": "true",   # BLOB 列必需
    },
)
catalog.create_table("default.drive_frames", schema, True)

步骤 3:写入多模态数据

合成 nuScenes 风格的元数据(channelscene_tokentimestampego_speed_kmhweather),bytes 字段填入真实图片。

import daft
from datetime import datetime, timedelta
from pypaimon.daft import write_paimon

CHANNELS = ["CAM_FRONT", "CAM_FRONT_LEFT", "CAM_FRONT_RIGHT"]
WEATHERS = ["clear", "cloudy", "rain"]
base_ts  = datetime(2026, 5, 22, 9, 0, 0)

def make_thumbnail(jpg_bytes: bytes, max_side: int = 128) -> bytes:
    with Image.open(io.BytesIO(jpg_bytes)) as im:
        im.thumbnail((max_side, max_side))
        buf = io.BytesIO()
        im.convert("RGB").save(buf, format="JPEG", quality=70)
        return buf.getvalue()

rows = []
for i, r in enumerate(raws):
    rows.append({
        "sample_token":  r["title"],
        "scene_token":   f"scene_{i // 8:03d}",
        "channel":       CHANNELS[i % len(CHANNELS)],
        "timestamp":     base_ts + timedelta(milliseconds=i * 50),
        "ego_speed_kmh": float(20 + (i * 3) % 80),
        "weather":       WEATHERS[(i // 6) % len(WEATHERS)],
        "width":         r["w"],
        "height":        r["h"],
        "frame_jpg":     r["bytes"],
        "thumbnail":     make_thumbnail(r["bytes"]),
    })

arrow_tbl = pa.Table.from_pylist(rows, schema=pa_schema)
write_paimon(daft.from_arrow(arrow_tbl),
             "default.drive_frames", CATALOG_OPTIONS, mode="append")

步骤 4:按维度探索数据

4.1 分区裁剪

通过 channel 分区键过滤前向相机的帧,谓词自动下推至扫描层。

from pypaimon.daft import read_paimon

front = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .where(daft.col("channel") == "CAM_FRONT")
    .sort("sample_token")
)
front.show()

由于 channel 是分区键,谓词将自动下推,仅扫描该 channel 下的文件。

4.2 谓词 + 投影下推

按车速过滤高速帧,并仅投影所需的元数据列。

fast = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .where(daft.col("ego_speed_kmh") >= 60.0)
    .select("sample_token", "channel", "ego_speed_kmh", "weather")
    .sort("ego_speed_kmh", desc=True)
)
fast.show()

ego_speed_kmh 上的 filter 会被下推到 Paimon 扫描层;由于 BLOB 列 frame_jpgthumbnail 未出现在 SELECT 中,扫描会完全跳过这些列,全程不会触及 BLOB 字节。

4.3 按 BLOB 大小排序

large_binary 列被 pypaimon.daft 自动映射为 Daft 的 daft.File 引用类型,只暴露 pathoffsetlength,不物化字节,可直接按 length 排序。

df = read_paimon("default.drive_frames", CATALOG_OPTIONS)
all_rows = df.to_pydict()
top3 = sorted(
    zip(all_rows["sample_token"], all_rows["channel"], all_rows["frame_jpg"]),
    key=lambda t: t[2].length,
    reverse=True,
)[:3]
for tk, ch, ref in top3:
    print(f"{tk} ({ch}): {ref.length} bytes, path={ref.path}")

实测输出如下:

d0c3fa90-d193ec71 (CAM_FRONT):       81852 bytes, path=oss://.../*.blob
d4316313-6a8d56d2 (CAM_FRONT_RIGHT): 81821 bytes, path=oss://.../*.blob
d4eb8adc-e95a5937 (CAM_FRONT_RIGHT): 80535 bytes, path=oss://.../*.blob

步骤 5:按需读取 BLOB 字节

daft.File 仅提供引用信息,真正消费字节时需要根据 pathoffsetlength 从 OSS 拉取。

def fetch_blob(file_ref: daft.File, table) -> bytes:
    """读 BLOB 引用对应的字节。table 是 catalog.get_table(...) 拿到的表对象。"""
    with table.file_io.new_input_stream(file_ref.path) as stream:
        stream.seek(file_ref.offset)
        return stream.read(file_ref.length)

# 用法
table = catalog.get_table("default.drive_frames")
one = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .where(daft.col("channel") == "CAM_FRONT")
    .limit(1).to_pydict()
)
ref = one["frame_jpg"][0]

raw = fetch_blob(ref, table)
print(f"fetched {len(raw)} bytes")

with Image.open(io.BytesIO(raw)) as im:
    print(f"decoded: {im.format} {im.size} {im.mode}")
# -> decoded: JPEG (1280, 720) RGB

步骤 6:打 tag 与时间旅行

将“训练集 v1”打 tag 固化,便于后续按 tag 回溯到该时间点的数据。

tbl = catalog.get_table("default.drive_frames")
snaps = sorted(tbl.snapshot_manager().list_snapshots(), key=lambda s: s.id)
print("snapshots:", [s.id for s in snaps])

tbl.create_tag("training_v1", snaps[0].id)

# 回到那个时点
df_v1 = read_paimon("default.drive_frames", CATALOG_OPTIONS, tag_name="training_v1")
print("training_v1 frames:", df_v1.count_rows())

也支持使用 read_paimon(..., snapshot_id=123) 按 snapshot id 进行时间旅行。

步骤 7:接入 ML 预处理 UDF

7.1 表达式派生列

通过 Daft 表达式直接派生宽高比列,无需额外计算节点。

enriched = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .select("sample_token", "channel", "width", "height")
    .with_column("aspect_ratio", daft.col("width") / daft.col("height"))
)
enriched.show()

7.2 UDF + groupby

使用 UDF 将连续车速分桶为低/中/高速分类,再按分类聚合统计。

@daft.func(return_dtype=daft.DataType.string())
def speed_bucket(speed_col):
    out = []
    for v in speed_col.to_pylist():
        if v is None: out.append("unknown")
        elif v < 40:  out.append("low")
        elif v < 80:  out.append("mid")
        else:         out.append("high")
    return out

stats = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .select("sample_token", "ego_speed_kmh")
    .with_column("speed_class", speed_bucket(daft.col("ego_speed_kmh")))
    .groupby("speed_class")
    .count("sample_token")
    .sort("speed_class")
)
stats.show()

输出如下:

high: 4 frames
low:  7 frames
mid:  13 frames

7.3 PIL 图像预处理 UDF(fetch + decode + resize + 抽取特征)

将第五步的 fetch_blob 封装进 UDF,按行完成 PIL 解码、resize 与亮度计算,构成典型感知模型预处理的雏形。

@daft.func(return_dtype=daft.DataType.float64())
def avg_brightness(file_col):
    out = []
    for ref in file_col.to_pylist():
        if ref is None:
            out.append(None); continue
        raw = fetch_blob(ref, table)              # 走 pypaimon FileIO
        with Image.open(io.BytesIO(raw)) as im:
            small = im.convert("L").resize((64, 64))
            px = list(small.getdata())
            out.append(sum(px) / len(px))
    return out

bri = (
    read_paimon("default.drive_frames", CATALOG_OPTIONS)
    .where(daft.col("channel") == "CAM_FRONT")
    .limit(4)
    .select("sample_token", "frame_jpg")
    .with_column("brightness", avg_brightness(daft.col("frame_jpg")))
    .select("sample_token", "brightness")
    .sort("brightness", desc=True)
)
bri.show()

实测输出如下(亮度取值范围 0-255,前两张为白天场景,后两张为偏暗场景):

cdbd1882-be82474a: 112.12
d0c3fa90-d193ec71: 111.34
cf0b73a9-3474b8ca:  34.71
cad180c4-553ceeb1:  33.93

avg_brightness 替换为 run_detection_model(frame_jpg) 等模型调用,即可在 Paimon 表上接出完整的感知预处理与推理流水线。

注意事项

  • BLOB 表 Schema 限制:含 large_binary 列的表必须设置 row-tracking.enabled=truedata-evolution.enabled=true,否则 DLF 服务端将拒绝建表。

  • 分区键选择:分区键需与典型查询 filter 对齐(如按 channel、按 capture_date 等),分区裁剪才能真正生效。

  • BLOB 按需消费:daft.File 是 zero-copy 引用,不会触发 OSS 读取;仅在调用 table.file_io.new_input_stream(...) 时才会下载实际数据。