首页
/ Arrow-RS项目中的Parquet统计信息截断优化

Arrow-RS项目中的Parquet统计信息截断优化

2025-07-01 15:38:21作者:何将鹤

Apache Arrow-RS项目是Rust语言实现的Arrow内存格式和数据处理生态系统。在Arrow-RS中处理Parquet文件时,统计信息的存储方式可能会引发一些性能问题,特别是在处理大型字符串或二进制数据列时。

问题背景

在Parquet文件格式中,默认情况下,Arrow-RS写入器会为启用了统计信息的列保存完整的min和max值。这些统计信息不仅会存储在文件级别的元数据中,还会出现在每个页面的头部。当处理大型二进制或字符串列(如JSON大对象)时,这会导致存储两个(min和max)可能非常大的值,从而产生显著的存储开销。

问题影响

这种设计在某些极端情况下会导致严重的存储膨胀。例如,在一个测试案例中,一个3MB的Parquet文件中,有2.1MB都被统计信息占用。这种情况在处理包含大量重复或大型字符串值的列时尤为明显。

现有解决方案

Arrow-RS目前提供了两个方法来控制统计值的最大长度:

  1. WriterPropertiesBuilder::set_statistics_truncate_length - 控制统计信息的截断长度
  2. WriterPropertiesBuilder::set_column_index_truncate_length - 控制列索引的截断长度

然而,这些参数的默认值目前设置为None(即无限制),这导致了上述的存储问题。

优化建议

技术专家建议将默认的统计信息截断长度设置为一个合理的非None值(如128字节)。这个长度足够捕获所有原始数据类型和字符串的排序信息,同时避免了存储过大的值。

128字节的选择基于以下考虑:

  • 足够容纳所有原始数据类型
  • 能够保持字符串的排序特性
  • 显著减少大型字符串列的存储开销

深入讨论

在讨论过程中,专家还提出了关于统计信息存储策略的更广泛思考。Parquet规范实际上建议,如果已经编写了页面索引,就不需要再编写页面级别的统计信息。这引发了对当前EnabledStatistics枚举设计的重新评估。

可能的改进方向包括:

  • 添加新的统计信息启用模式,如ChunkAndIndex,只写入块级别和偏移/列索引,而不在页面头部写入统计信息
  • 更精细地控制不同类型统计信息的生成和存储

实施进展

目前已经提交了相关PR来修改默认的截断长度设置。同时,关于统计信息存储策略的长期改进已经作为一个单独的问题进行跟踪讨论。

总结

通过对Parquet统计信息存储的优化,Arrow-RS项目能够更好地处理大型字符串和二进制列,避免存储膨胀问题。这一改进不仅提高了存储效率,也为未来更精细的统计信息控制奠定了基础。对于使用Arrow-RS处理大型数据集的开发者来说,这一优化将显著改善他们的使用体验和系统性能。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (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
929
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
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)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8