首页
/ Apache DataFusion 优化:禁用溢出文件重新验证提升性能

Apache DataFusion 优化:禁用溢出文件重新验证提升性能

2025-05-31 16:39:39作者:劳婵绚Shirley

Apache DataFusion 是一个用 Rust 编写的现代查询引擎,它提供了高性能的数据处理能力。在最新版本中,社区发现了一个可以显著提升性能的优化点——禁用溢出文件(Spill Files)的重新验证过程。

背景与问题

DataFusion 在处理大规模数据时,当内存不足时会使用磁盘溢出机制,将中间结果以 Arrow IPC 格式写入磁盘文件。当前实现中,在从磁盘重新读取这些溢出文件时,系统会执行完整的数据验证流程,包括检查字符串是否为有效 UTF-8 编码等。

这种验证虽然保证了数据完整性,但在已知数据来源可靠的情况下(即由 DataFusion 自身生成的文件),这种验证就成为了不必要的性能开销。Arrow 项目的最新进展表明,禁用这种验证可以带来显著的性能提升。

技术实现

DataFusion 的溢出机制核心代码位于物理执行计划的 spill 模块中。当执行内存密集型操作(如排序、哈希连接等)时,系统会将中间结果序列化为 Arrow IPC 格式并写入磁盘。读取时,系统会反序列化这些数据并重新构建为内存中的数据结构。

验证过程主要包括:

  • 检查所有字符串数据的 UTF-8 有效性
  • 验证数组边界和数据类型一致性
  • 确认元数据完整性

优化方案

通过利用 Arrow 最新版本提供的功能,我们可以安全地禁用这些验证步骤,因为:

  1. 溢出文件完全由 DataFusion 自身生成
  2. 在正常操作下,文件系统会保证写入数据的完整性
  3. 中间结果不需要长期存储,仅在查询执行期间存在

基准测试显示,在典型的 TPCH 查询场景中,这一优化可以带来 1.06x 到 1.14x 的性能提升,特别是在内存受限导致频繁溢出的情况下,性能提升更为明显。

实现考虑

为了确保这一优化的安全性,开发者需要考虑:

  1. 仅在读取 DataFusion 自身生成的溢出文件时禁用验证
  2. 保留对用户提供的外部文件的完整验证
  3. 在文档中明确说明这一优化假设

这一优化是 DataFusion 持续性能改进计划的一部分,后续还将探索更多减少序列化/反序列化开销的方法,如使用更高效的二进制格式或零拷贝技术。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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
930
553
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
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
423
392
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
66
CangjieCommunityCangjieCommunity
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
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511