Kostenloser Parquet-Datei-Viewer

Der Parquet File Viewer ist ein kostenloses Online-Tool, das die Metadaten von Apache-Parquet-Dateien direkt in deinem Browser auswertet. Sieh dir Schema, Zeilenanzahl, Spaltenstatistiken und Dateistruktur an. Es läuft vollständig in deinem Browser, ohne Installation oder Anmeldung.

Das Dateischema, die Spaltentypen, die Anzahl der Zeilengruppen, die Gesamtzahl der Zeilen, den Komprimierungscodec und die Spaltenstatistiken (Min/Max).

Die Metadaten werden direkt angezeigt. Für die vollständigen Zeilendaten bietet das Tool Code-Snippets für Python, Node.js und DuckDB-WASM.

Ja, völlig kostenlos.

Ja, der Parquet File Viewer ist vollständig responsiv und funktioniert auf Smartphones und Tablets. Du kannst ihn auf jedem Gerät mit einem modernen Webbrowser nutzen, ganz ohne App-Download.

Es ist kein Konto und keine Registrierung erforderlich. Öffne einfach den Parquet File Viewer in deinem Browser und leg sofort los. Es gibt keine Anmeldeschranken oder Nutzungsbeschränkungen.

Gib einfach deine Eingabe in das vorgesehene Feld ein, passe die Einstellungen nach deinen Wünschen an, und das Tool verarbeitet sie sofort. Anschließend kannst du das Ergebnis in die Zwischenablage kopieren oder herunterladen.

Der Parquet File Viewer funktioniert in allen modernen Browsern, darunter Chrome, Firefox, Safari, Edge und Opera. Für das beste Erlebnis verwende die neueste Version deines bevorzugten Browsers.

Parquet speichert seine Strukturinformationen in einem Thrift-kodierten Footer ganz am Ende der Datei, eingerahmt von den Magic Bytes PAR1 am Anfang und am Ende. Dieser Footer enthält das Schema, die Gesamtzahl der Zeilen, die Grenzen der Row Groups, den Kompressions-Codec und eingebettete Key-Value-Metadaten. Da all das in einem einzigen kompakten Block liegt, muss ein Viewer nur die Footer-Länge lesen, zum Footer springen und ihn dekodieren, statt Gigabytes an Spaltendaten zu durchsuchen. Deshalb beschreibt sich eine mehrere Gigabyte große Datei fast so schnell selbst wie eine winzige, und deshalb lässt sich die Struktur prüfen, bevor eine aufwendige Verarbeitung beginnt. Dieses Tool liest den Footer lokal in deinem Browser, sodass selbst große Dateien Schema und Struktur innerhalb von Sekunden anzeigen. Lade oben eine .parquet-Datei hoch, um die Übersicht zu sehen, ohne eine einzige Zeile Daten zu öffnen.

Eine Spalte ist ein einzelnes Feld im Schema, etwa user_id oder created_at, das zusammen mit allen seinen Werten gespeichert wird, um Kompression und Column Pruning zu ermöglichen. Eine Row Group ist dagegen ein horizontaler Ausschnitt der gesamten Tabelle: Sie bündelt einen Block von Zeilen über alle Spalten hinweg zu einer eigenständigen Einheit mit eigenen Statistiken und eigener Größe auf der Festplatte. Eine Datei mit einer Million Zeilen kann diese auf mehrere Row Groups verteilen, wobei jede Gruppe weiterhin alle Spalten enthält. Row Groups erlauben es Query-Engines, ganze Blöcke anhand von Min- und Max-Statistiken zu überspringen, was Predicate Pushdown erst wirksam macht. Dieser Viewer zeigt beide Sichten: einen Schema-Tab mit jeder Blattspalte samt Typ und einen Row-Groups-Tab mit Zeilenanzahl und Größe pro Gruppe. Lade oben eine Datei hoch, um ihr Spaltenlayout mit der Row-Group-Partitionierung zu vergleichen.

Der created_by-String hält fest, welche Bibliothek und Version die Datei geschrieben hat, zum Beispiel eine bestimmte parquet-mr-, Arrow- oder pandas-Version. Er wird in den Footer-Metadaten neben der Formatversion gespeichert. Das ist beim Debuggen wirklich nützlich: Bestimmte Writer haben bekannte Eigenheiten bei Statistiken, Timestamp-Encoding oder der Behandlung von INT96, sodass die Kenntnis des Erzeugers hilft, ungewöhnliches Verhalten zu erklären oder zu entscheiden, ob ein Re-Export mit einer neueren Toolchain sinnvoll ist. Außerdem bestätigt es die Herkunft, wenn dir eine Datei ohne Kontext übergeben wird, und zeigt, ob sie aus Spark, DuckDB, Polars oder einem pandas-Skript stammt. Dieser Viewer zeigt created_by direkt in der Dateiübersicht an, neben Formatversion und Kompressions-Codec, sodass du den Writer prüfen kannst, bevor die Datei in eine Pipeline wandert. Lade eine .parquet-Datei oben hoch, um ihren created_by-String zu lesen.

Parquet komprimiert jeden Column Chunk unabhängig, und das Format definiert mehrere Codecs: UNCOMPRESSED, SNAPPY, GZIP, LZO, BROTLI, LZ4, ZSTD und LZ4_RAW. SNAPPY ist ein verbreiteter Standard, weil er Geschwindigkeit und Kompressionsrate ausbalanciert, während ZSTD oft kleinere Dateien bei moderat höherem CPU-Aufwand liefert. Der Codec wird in den Metadaten jeder Spalte im Footer festgehalten, sodass nichts dekomprimiert werden muss, um ihn herauszufinden. Das ist relevant, weil ein Reader ohne Unterstützung für etwa BROTLI oder LZ4_RAW die Datei nicht öffnen kann und ein unerwarteter Codec den Speicherbedarf unbemerkt aufblähen oder verringern kann. Dieser Viewer liest den Codec aus dem Footer und zeigt ihn als Badge in der Dateiübersicht an. Lade deine Datei oben hoch, um die Kompression zu prüfen, bevor ein Job davon abhängt.

Dieser Viewer untersucht Metadaten statt Zellwerte auszugeben, was das Parsen des Footers schnell und ressourcenschonend hält. Um die Zeilen selbst zu lesen, braucht es einen vollständigen Parquet-Decoder, daher liefert das Tool fertige, kopierbare Code-Snippets für drei gängige Umgebungen. In Python liest pandas eine Datei mit einer einzigen Zeile über pd.read_parquet, der übliche Weg für Analysten. In Node.js streamt der parquetjs-lite-Reader Datensätze über einen Cursor. Mit DuckDB-WASM lässt sich SQL wie read_parquet('your_file.parquet') direkt im Browser ausführen, ganz ohne Server. Jedes Snippet ist ein funktionierender Ausgangspunkt: kopieren, auf die eigene Datei anwenden und von dort aus anpassen. Der empfohlene Ablauf: zuerst hier Schema, Typen und Zeilenanzahl prüfen, dann das passende Snippet für den eigenen Stack kopieren. Lade oben eine Datei hoch, sieh dir die Struktur an und kopiere anschließend den Code, der zu deinem Workflow passt.