首页
/ DuckDB与PyArrow在S3查询性能上的对比分析

DuckDB与PyArrow在S3查询性能上的对比分析

2025-05-06 19:00:12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:

  1. 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。

  2. 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。

  3. 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:

  1. 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。

  2. 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)。

  3. 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:

  1. 对于性能敏感的应用,暂时使用PyArrow
  2. 关注DuckDB的更新,特别是针对S3查询的优化
  3. 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

热门内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.91 K
kernelkernel
deepin linux kernel
C
22
6
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++
192
273
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
927
551
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
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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)。
Jupyter Notebook
75
64
Cangjie-ExamplesCangjie-Examples
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
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8