Parquet-Java项目中INT96时间戳列表读取问题的分析与解决

背景介绍

在Parquet-Java项目中，INT96类型是一种用于存储时间戳的特殊数据类型。随着技术发展，INT96类型已被标记为废弃(deprecated)，但在某些遗留系统中仍然需要使用。项目提供了通过配置READ_INT96_AS_FIXED标志来临时支持读取INT96类型数据的功能。

问题现象

当尝试读取包含INT96时间戳的列表数据时，系统会抛出异常："INT96 is deprecated. As interim enable READ_INT96_AS_FIXED flag to read as byte array"。这表明虽然用户已经设置了正确的配置标志，但系统仍然无法正确识别并处理INT96类型数据。

问题根源分析

通过深入分析代码，发现问题出在AvroRecordConverter类中。该类在初始化时直接创建了一个静态的AvroSchemaConverter实例，而没有考虑用户传入的配置参数。具体表现为：

1. AvroRecordConverter类中硬编码了一个静态的AvroSchemaConverter实例：

private static final AvroSchemaConverter CONVERTER = new AvroSchemaConverter(true);

2. 这个静态实例在创建时没有接收任何ParquetConfiguration参数，导致用户设置的READ_INT96_AS_FIXED配置无法生效。

3. 当处理嵌套在列表中的INT96类型字段时，系统会使用这个静态实例进行类型检查，从而忽略了用户配置，最终抛出异常。

技术影响

这个问题会影响所有需要处理包含INT96时间戳列表数据的场景，特别是：

• 从旧版Parquet文件迁移数据的场景
• 需要与遗留系统交互的场景
• 处理历史数据的场景

解决方案

修复方案的核心是确保AvroRecordConverter能够正确接收和使用用户配置。具体实现包括：

1. 修改AvroRecordConverter的初始化逻辑，不再使用静态的AvroSchemaConverter实例

2. 确保在类型检查时使用正确的配置参数

3. 保持向后兼容性，不影响现有代码的行为

验证方法

可以通过以下测试用例验证修复效果：

public void testIsElementTypeInt96Element(){
    Configuration configuration = new Configuration();
    configuration.setBoolean(READ_INT96_AS_FIXED, true);
    MessageType parquetSchema = MessageTypeParser.parseMessageType(
        "message SchemaWithInt96 {\n" +
        "  optional group list (LIST) {\n" +
        "    repeated group list {\n" +
        "      optional int96 a_timestamp;\n" +
        "    }\n" +
        "  }\n" +
        "}");
    Schema avroSchema = new AvroSchemaConverter(configuration).convert(parquetSchema);
    Assert.assertFalse(AvroRecordConverter.isElementType(
        parquetSchema.getType("list").asGroupType().getType("list"),
        AvroSchemaConverter.getNonNull(avroSchema.getFields().get(0).schema()).getElementType()
    ));
}

总结

这个问题的解决不仅修复了INT96时间戳列表读取的功能，更重要的是建立了一个良好的模式：配置参数应该在整个处理流程中保持一致性和传递性。对于类似的数据处理框架，这是一个值得借鉴的经验。

对于开发者来说，在处理废弃但仍在使用的数据类型时，应该：

1. 提供清晰的迁移路径
2. 确保配置参数能够正确传递到所有相关组件
3. 保持足够的向后兼容性
4. 提供明确的错误提示和文档说明