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:
- 溢出文件完全由 DataFusion 自身生成
- 在正常操作下,文件系统会保证写入数据的完整性
- 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:
- 仅在读取 DataFusion 自身生成的溢出文件时禁用验证
- 保留对用户提供的外部文件的完整验证
- 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
- 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!C0301- 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
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
262

🎉 (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
863
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