Apache Parquet-MR 项目中 DeltaByteArrayReader 的 ClassCastException 问题分析
2025-07-03 11:20:14作者:邬祺芯Juliet
问题背景
在 Apache Parquet-MR 项目的 1.13.1 版本升级到 1.14.1 版本过程中,出现了一个关于 DeltaByteArrayReader 的 ClassCastException 异常。这个异常发生在尝试将 DictionaryValuesReader 强制转换为 DeltaByteArrayReader 时,具体报错信息如下:
java.lang.ClassCastException: class org.apache.parquet.column.values.dictionary.DictionaryValuesReader cannot be cast to class org.apache.parquet.column.values.deltastrings.DeltaByteArrayReader
技术分析
这个问题源于 PARQUET-2431 的代码变更。在旧版本中,CorruptDeltaByteArrays.requiresSequentialReads
方法实际上隐式地执行了类型检查,因为它只会在编码为 DELTA_BYTE_ARRAY 时返回 true,而 RequiresPreviousReader
接口仅由 *DeltaByteArrayReader 类实现。
在 1.14.1 版本中,代码重构移除了这个隐式的类型检查,导致在某些情况下会出现类型转换异常。具体来说,当:
- 使用
ColumnIOFactory
读取没有 createdBy 元数据的 Parquet 文件时 - 文件中的列使用了字典编码
- 系统尝试将字典编码的读取器设置为前一个读取器时
解决方案
目前有两种可行的解决方案:
- 显式设置 createdBy 信息:在创建 ColumnIOFactory 时传入 createdBy 参数,确保它包含 PARQUET-246 之后的信息,这样可以避免
CorruptDeltaByteArrays.requiresSequentialReads
返回 true。
val reader: ParquetFileReader = ...
val fileMetadata = reader.getFooter.getFileMetaData
val createdBy = fileMetadata.getCreatedBy
val columnIO: MessageColumnIO = new ColumnIOFactory(createdBy)...
- 代码修复:在
initDataReader
方法中添加对previousReader instanceof RequiresPreviousReader
的检查,确保类型安全。
影响范围
这个问题主要影响以下场景:
- 读取没有 createdBy 元数据的旧版 Parquet 文件
- 文件中混合使用了字典编码和 Delta 编码的列
- 使用默认的 ColumnIOFactory 构造函数
最佳实践建议
- 始终确保 Parquet 文件包含正确的 createdBy 元数据
- 在升级到 1.14.1 或更高版本前,测试现有文件的兼容性
- 考虑在代码中添加防御性编程,处理可能的类型转换异常
总结
这个问题展示了在性能优化和代码重构过程中可能引入的隐式依赖风险。开发者在处理编码相关的逻辑时,应该特别注意类型系统的安全性,特别是在涉及多种编码方式的混合使用时。对于 Parquet 这样的列式存储格式,编码器的正确选择和类型安全尤为重要。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
408
387

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
14
1