首页
/ PyGDF项目中Parquet文件读取时的Host解压问题分析

PyGDF项目中Parquet文件读取时的Host解压问题分析

2025-05-26 11:41:44作者:齐添朝

问题背景

在GPUOpenAnalytics的PyGDF项目(基于CUDA的DataFrame库)中,当启用主机端解压功能(LIBCUDF_HOST_DECOMPRESSION=ON)时,部分PDS查询会出现间歇性失败。这个问题在使用pyarrow引擎重写的PDS SF100文件上尤为明显,表现为Parquet数据解码失败,错误代码0x1或0x2。

问题现象

开发人员在使用cudf-polars运行查询时,观察到以下典型错误:

  1. 运行时错误:RuntimeError: CUDF failure at.../parquet/reader_impl.cpp:427: Parquet data decode failed with code(s) 0x1
  2. 有时错误代码会变为0x2
  3. 问题查询包括q1、q3、q7、q8、q21等
  4. 有时错误会导致程序继续运行,有时则会导致程序挂起

问题复现

通过简化测试用例,可以稳定复现该问题:

for _ in range(10):
    path = '/path/to/lineitem.parquet'
    try:
        df = cudf.read_parquet(path,
                             columns=["l_orderkey", "l_extendedprice", 
                                     "l_discount", "l_shipdate"])
    except Exception as e:
        print('读取失败:', e)

测试发现:

  • 某些读取操作会挂起
  • 某些会抛出解码失败异常
  • 使用Polars写入的文件不会出现此问题,仅在使用pyarrow写入的文件中出现

环境因素

问题出现在以下环境中:

  • 基础镜像:rapidsai/base:25.04a-cuda12.8-py3.12-arm64
  • 硬件平台:NVIDIA GH200
  • 当调整主机工作线程数时也会触发类似问题

技术分析

  1. 压缩块大小差异:pyarrow写入的文件比Polars写入的文件有更大的压缩块,这可能是触发问题的因素之一

  2. 主机解压实现:当前的主机解压实现可能存在边界条件处理不完善的情况,特别是在处理大压缩块时

  3. 多线程问题:调整工作线程数会触发问题,表明可能存在线程同步或资源竞争问题

  4. 错误代码含义

    • 0x1通常表示解压失败
    • 0x2可能表示数据损坏或解压缓冲区不足

解决方案

该问题已通过cudf项目的PR #18395修复。修复可能涉及以下方面:

  1. 改进主机解压算法的鲁棒性
  2. 优化大压缩块的处理逻辑
  3. 增强线程安全性和资源管理
  4. 完善错误处理和恢复机制

最佳实践建议

  1. 对于关键生产环境,建议暂时禁用主机解压功能(LIBCUDF_HOST_DECOMPRESSION=OFF)

  2. 如果必须使用主机解压:

    • 保持默认工作线程数
    • 优先使用Polars写入的Parquet文件
    • 监控并更新到包含修复的版本
  3. 对于性能敏感场景,可以考虑使用GPU解压方案

总结

这个问题展示了在大规模数据处理中,主机端解压实现需要考虑多种边界条件和性能因素。特别是在异构计算环境中,CPU和GPU之间的协同工作需要精心设计。PyGDF团队通过代码审查和修复,提升了库在主机解压场景下的稳定性和可靠性。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
59
94
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
974
574
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
9
1
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
81
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
1.02 K
399
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
1.2 K
133