Apache Arrow项目中pyarrow读取Parquet文件的内存消耗问题分析

问题背景

在使用Apache Arrow项目的pyarrow库处理Parquet文件时，开发者发现从pyarrow 17升级到18版本后，内存消耗出现了显著增长。具体表现为：读取一个600KB大小的Parquet文件，生成22MB大小的pyarrow表时，内存峰值消耗从200MB以下激增至1GB以上。

问题现象重现

通过简单的测试代码可以重现该问题：

import pyarrow.parquet as pq

data = pq.read_table('test.parquet')
print(data.nbytes / 1024**2)  # 打印表大小(MB)

使用memray工具进行内存分析时，pyarrow 18.1.0版本显示峰值内存消耗达到1.476GB，而回退到17.0.0版本则仅消耗219.388MB。

问题本质分析

经过深入调查，发现这实际上是一个测量工具的限制问题，而非真正的内存泄漏或性能退化。关键点在于：

1. Arrow的内存池机制：Arrow默认使用自己的内存池进行内存管理，而非直接使用系统内存分配器

2. 测量工具的局限性：memray这类工具默认只能跟踪系统内存分配器的调用，无法直接监控Arrow内存池的内部分配情况

3. 测量误差的产生：当memray无法跟踪内存分配时，会将这些分配归类为"stack trace unavailable"，导致测量结果远大于实际内存使用量

解决方案

要获得准确的内存测量结果，可以采用以下方法：

1. 强制使用系统内存池：通过设置环境变量ARROW_DEFAULT_MEMORY_POOL=system，使Arrow改用系统内存分配器

2. 使用正确配置后的测量工具：在使用系统内存池后，memray等工具能够准确测量内存消耗

测试表明，在pyarrow 19.0版本中，使用系统内存池后，memray测量的内存消耗从1.8GB降至178MB，与实际的RSS内存使用量(169MB)基本一致。

技术启示

1. 内存测量需谨慎：在使用性能分析工具时，需要了解其工作原理和限制条件

2. 内存池的影响：现代高性能库常使用自定义内存池来优化性能，但这会给内存分析带来挑战

3. 版本升级的全面评估：性能指标的显著变化需要从多个角度验证，避免被测量工具误导

最佳实践建议

对于使用pyarrow处理Parquet文件的开发者，建议：

1. 在生产环境中保持默认的内存池设置以获得最佳性能

2. 在进行内存分析时，临时切换到系统内存池以获取准确测量结果

3. 关注RSS等系统级内存指标，而非仅依赖特定工具的测量结果

4. 在升级版本时，进行全面的性能基准测试，包括内存和速度指标

通过正确理解和使用这些技术，开发者可以更准确地评估和优化基于Arrow的数据处理应用性能。