首页
/ Apache Kyuubi项目中Spark Hive连接器读取TPCDS Parquet表的兼容性问题分析

Apache Kyuubi项目中Spark Hive连接器读取TPCDS Parquet表的兼容性问题分析

2025-07-08 02:39:55作者:宣利权Counsellor

背景介绍

在Apache Kyuubi项目中,用户在使用Spark Hive连接器读取TPCDS基准测试生成的Parquet格式数据时遇到了兼容性问题。这个问题特别出现在尝试查询catalog_sales和store_returns等表时,系统抛出ParquetDecodingException异常。

问题现象

当用户执行简单的查询语句如select * from catalog_sales limit 1时,系统会抛出以下关键异常:

Caused by: org.apache.parquet.io.ParquetDecodingException: Can not read value at 0 in block -1 in file...
Caused by: java.lang.UnsupportedOperationException: org.apache.parquet.column.values.dictionary.PlainValuesDictionary$PlainIntegerDictionary

类似地,查询store_returns表时也会出现类似的解码错误,这表明这是一个系统性的格式兼容性问题而非个别表的异常。

根本原因分析

经过深入分析,这个问题源于Kyuubi Spark Hive连接器当前实现中的几个关键技术限制:

  1. Hive SerDe兼容性限制:当前连接器强制使用Hive的序列化/反序列化(SerDe)机制来读写Hive表,这继承了Spark内置Hive实现(基于Hive 2.3.9)的所有限制。

  2. Parquet格式支持局限:Hive 2.3.9的Parquet实现存在对新版Parquet逻辑类型的支持不足,特别是当数据使用新版Parquet格式(非传统格式)写入时。

  3. 非向量化读取:当前实现采用非向量化的读取方式,这在处理大规模数据时会导致性能问题。

解决方案

针对这个特定问题,目前有以下两种解决方案:

  1. 临时解决方案:在生成TPCDS数据时,启用Spark的旧版Parquet格式支持:

    SET spark.sql.parquet.writeLegacyFormat=true;
    

    这个配置会强制Spark使用与Hive 2.3.9兼容的Parquet格式写入数据。

  2. 长期解决方案:社区正在考虑实现一个机制来支持spark.sql.hive.convertMetastoreParquet配置(或定义新的专用配置),将Hive Parquet表读取转换为Spark DataSource表读取,从而绕过Hive SerDe的限制。

技术展望

虽然当前存在这些限制,但Kyuubi社区已经认识到这些问题并计划进行改进。未来的发展方向可能包括:

  1. 提供更灵活的Parquet格式支持选项
  2. 实现向量化读取以提高性能
  3. 支持新版Parquet逻辑类型
  4. 提供更细粒度的格式转换控制

最佳实践建议

对于当前需要使用Kyuubi Spark Hive连接器处理Parquet格式数据的用户,建议:

  1. 对于新生成的数据,始终设置spark.sql.parquet.writeLegacyFormat=true
  2. 对于已有数据,考虑使用Spark重写为传统格式
  3. 关注Kyuubi的版本更新,及时获取对新型Parquet格式的支持
  4. 对于性能敏感场景,考虑评估其他连接器选项

通过理解这些技术限制和解决方案,用户可以更好地规划他们的数据处理流程,避免遇到类似的兼容性问题。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
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
923
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
74
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