DuckDB与PyArrow在S3查询性能上的对比分析
2025-05-06 01:55:09作者:魏献源Searcher
概述
在数据分析领域,DuckDB和PyArrow都是广受欢迎的工具。本文通过一个实际案例,对比分析了这两种工具在查询S3存储的Parquet文件时的性能差异。案例中,用户发现DuckDB的查询速度比PyArrow慢了约10倍,这引发了我们对两种工具内部工作机制的深入探讨。
测试环境与数据
测试使用了存储在S3上的地理Parquet文件,采用Hive分区方式组织(按年/月/日分区)。数据集总大小约28GB,包含63个文件,其中最大的单个文件约1.8GB。数据按device_id排序,测试查询特定日期和设备ID的记录。
查询性能对比
测试查询的基本形式为:
SELECT *
FROM dataset
WHERE year = 2025 AND
month = 1 AND
day = 1 AND
device_id IN (设备ID列表) AND
mmsi IN (MMSI列表)
PyArrow实现使用了箭头计算表达式:
filter = (
(pc.field('year') == 2025) &
(pc.field('month') == 1) &
(pc.field('day') == 1) &
(pc.field('device_id').isin(hashed_ids)) &
(pc.field('mmsi').isin(mmsis))
)
测试结果显示:
- PyArrow查询耗时约2.5秒
- DuckDB查询耗时约35秒
性能差异原因分析
通过日志分析发现,虽然两者都读取相同的4个Parquet文件,但DuckDB存在以下问题:
-
重复读取问题:DuckDB会多次读取相同的字节范围,这在处理大文件(如1.8GB的文件)时尤为明显。
-
查询优化差异:PyArrow的过滤实现可能更高效地利用了Parquet文件的统计信息和索引。
-
S3访问模式:DuckDB的S3客户端实现可能没有PyArrow优化得好,导致更多的网络请求。
解决方案与优化
开发团队提出了几个可能的优化方向:
-
使用IN替代ANY:虽然测试显示性能提升有限,但在某些场景下可能有效。
-
等待修复补丁:开发团队已经识别到问题并提交了修复补丁(PR #16224)。
-
配置调整:可能需要调整DuckDB的并行度和内存设置以获得更好的性能。
结论
对于S3上的Parquet文件查询,PyArrow在当前测试中表现出明显优势。DuckDB团队正在积极解决性能问题,用户可以考虑:
- 对于性能敏感的应用,暂时使用PyArrow
- 关注DuckDB的更新,特别是针对S3查询的优化
- 根据具体场景进行性能测试,选择最适合的工具
随着DuckDB的持续发展,预期其在云存储查询性能方面会有显著提升,为用户提供更多选择。
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~044CommonUtilLibrary
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。06GOT-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!C0300- 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
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K