HuggingFace Datasets中Arrow文件提取协议的性能优化
2025-05-11 21:56:17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:
- 系统会直接跳过耗时的魔术数字检测
- 立即返回None(表示无需特殊解压处理)
- 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:
- 使用Arrow格式存储大规模数据集的用户
- 采用流式模式加载远程存储中数据的用户
- 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:
- 确保Arrow文件确实采用标准格式存储
- 对于自定义的压缩Arrow文件,可能需要特殊处理
- 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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~055CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
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!C0380- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (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
871
515

openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184

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
346
380

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
334
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
603
58