Apache Arrow Python SDK中S3读取超时问题的分析与解决
2025-05-18 21:52:43作者:曹令琨Iris
问题背景
在使用Apache Arrow Python SDK的read_table
函数从AWS S3读取Parquet文件时,部分用户遇到了随机的网络连接超时问题。该问题表现为间歇性的AWS Error NETWORK_CONNECTION
错误,错误代码显示为curl的28号错误(Timeout was reached)。值得注意的是,这个问题在相同区域的EC2实例访问S3存储桶时也会出现,且在使用joblib进行多线程(最高56线程)并行下载时更容易复现。
技术细节分析
问题特征
- 随机性失败:问题不是持续出现,而是每天至少发生一次,影响不同的用户和不同的Parquet文件
- 环境特征:
- 客户端与S3存储桶位于同一AWS区域
- 使用多线程并发下载(通过joblib实现)
- 影响版本:Arrow 1.3.0到PyArrow 14.0.1
- 错误信息表明底层使用的是curl库进行HTTP通信,超时发生在GetObject操作期间
可能原因
- 连接池管理问题:早期版本的Arrow可能没有优化好高并发场景下的连接池管理
- 超时设置不合理:默认的网络超时时间可能不适合某些网络环境
- AWS SDK版本兼容性:底层使用的AWS SDK版本可能存在已知问题
- 多线程竞争:高并发场景下可能出现资源竞争或连接泄漏
解决方案
经过验证,升级到PyArrow 17.0.0版本可以彻底解决此问题。这表明该问题在Arrow项目的后续版本中已被修复。
临时解决方案(针对无法立即升级的情况)
如果暂时无法升级版本,可以考虑以下缓解措施:
- 调整重试策略:实现自定义的重试逻辑,对超时错误进行自动重试
- 限制并发度:适当减少并行下载的线程数量
- 调整超时设置:如果可能,增加网络操作的超时时间阈值
最佳实践建议
- 版本升级策略:建议使用PyArrow的最新稳定版本,特别是生产环境中涉及S3操作时
- 监控与告警:对于关键的数据读取操作,实现完善的错误监控和告警机制
- 性能测试:在高并发场景下进行充分的压力测试,验证系统的稳定性
- 环境一致性:确保开发、测试和生产环境使用相同版本的Arrow SDK
总结
这个案例展示了开源软件在特定使用场景下可能出现的问题,以及版本升级的重要性。对于依赖云存储的数据处理应用,保持依赖库的及时更新是保证系统稳定性的关键措施之一。同时,这也提醒开发者在设计高并发数据访问系统时,需要特别注意网络操作的健壮性处理。
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~057CommonUtilLibrary
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。07GOT-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!C0381- 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
项目优选
收起

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
47
248

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
346
381

🎉 (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
871
516

React Native鸿蒙化仓库
C++
179
263

openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184

deepin linux kernel
C
22
5

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
7
0

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
335
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0

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
1.08 K
0