首页
/ HuggingFace Datasets中Arrow文件提取协议的性能优化

HuggingFace Datasets中Arrow文件提取协议的性能优化

2025-05-11 14:00:29作者:史锋燃Gardner

在HuggingFace Datasets库的实际使用过程中,开发者发现当处理.arrow格式文件时,特别是在启用流式传输模式(streaming=True)的情况下,数据加载性能会出现显著下降。这个问题源于底层文件处理机制中的一个关键设计细节。

问题本质分析

Datasets库内部通过_get_extraction_protocol方法来确定文件的处理方式。该方法首先会检查文件扩展名是否属于已知类型列表,对于未明确列出的扩展名,则会启用"魔术数字"检测机制。这种检测方式需要读取文件头部字节来识别压缩格式,对于存储在远程存储(如S3)的大量文件来说,这种逐个文件的检测操作会带来显著的网络I/O开销。

技术实现细节

当前实现中,魔术数字检测主要针对常见压缩格式:

  • ZIP格式(504B0304等)
  • BZ2格式(425A68)
  • GZIP格式(1F8B)
  • XZ格式(FD377A585A00)
  • LZ4格式(04224D18)
  • ZSTD格式(28B52FFD)

然而,Apache Arrow作为一种列式内存格式,其文件签名未被包含在这个检测列表中。Arrow文件本身是未压缩的二进制格式,理论上不需要进行压缩格式检测。

优化方案

解决方案非常直观:将.arrow扩展名明确添加到已知扩展名列表中。这样当遇到Arrow格式文件时:

  1. 系统会直接跳过耗时的魔术数字检测
  2. 立即返回None(表示无需特殊解压处理)
  3. 显著减少远程存储访问次数

对用户的影响

这一优化将直接惠及以下场景的用户:

  1. 使用Arrow格式存储大规模数据集的用户
  2. 采用流式模式加载远程存储中数据的用户
  3. 需要高频访问大量小文件的分布式训练场景

最佳实践建议

虽然该优化已合并到主分支,但用户在使用时仍应注意:

  1. 确保Arrow文件确实采用标准格式存储
  2. 对于自定义的压缩Arrow文件,可能需要特殊处理
  3. 定期更新Datasets库以获取性能改进

这个案例很好地展示了在数据处理框架中,对文件格式处理的优化如何能带来整体性能的显著提升,特别是在涉及远程存储和流式处理的场景下。

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
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.96 K
kernelkernel
deepin linux kernel
C
22
6
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++
431
34
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
251
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
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
989
394
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++
193
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
936
554
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)。
Python
75
69