Apache Arrow-RS项目中的Parquet二进制数据读写问题解析

在Apache Arrow-RS项目中，开发人员发现了一个关于Parquet格式文件读写的重要技术问题：当使用arrow-rs库写入包含大量二进制数据的Parquet文件时，如果每行数据达到或超过8,388,855字节，使用pyarrow库将无法正确读取这些文件。

问题背景

Parquet作为一种列式存储格式，被广泛应用于大数据处理领域。Arrow-RS是Apache Arrow项目的Rust实现，提供了高效的内存数据结构与计算能力。在实际应用中，开发人员发现当处理包含大量二进制数据（如HTML内容）的记录时，某些特定条件下生成的文件会出现兼容性问题。

问题现象

具体表现为：

• 使用arrow-rs写入包含大二进制数据（≥8,388,855字节/行）的Parquet文件
• 使用pyarrow读取时抛出"Couldn't deserialize thrift"错误
• 相同文件通过arrow-rs或DuckDB读取正常
• 减少每行数据量后问题消失

技术分析

经过深入分析，发现问题根源在于统计信息(statistics)的处理机制：

1. 统计信息截断机制失效：arrow-rs在处理页面级统计信息时，未正确应用statistics_truncate_length参数，导致统计信息可能变得过大。

2. PyArrow限制：PyArrow对统计信息头的大小存在限制（约8MB），超过此限制会导致反序列化失败。

3. 统计信息类型影响：

   • 禁用统计信息(EnabledStatistics.NONE)时无问题
   • 块级统计信息(EnabledStatistics.CHUNK)不受影响
   • 页面级统计信息(EnabledStatistics.PAGE)会触发问题

解决方案

项目团队通过以下方式解决了该问题：

1. 修复统计信息截断：确保页面级统计信息正确应用truncate_length参数。

2. 合理默认值：为统计信息截断长度设置合理的默认值（如64字节），避免生成过大的统计信息头。

3. 性能优化：注意到页面级统计信息会使文件体积显著增加（约3倍），计划进一步优化。

最佳实践建议

基于此问题的经验，建议开发人员：

1. 对于包含大二进制数据的列，考虑禁用或限制统计信息生成。

2. 明确设置statistics_truncate_length参数，避免依赖默认值。

3. 根据实际需求选择适当的统计信息级别，权衡查询性能与存储开销。

4. 在跨语言/工具使用Parquet文件时，进行充分的兼容性测试。

这个问题及其解决方案不仅提高了Arrow-RS与PyArrow的互操作性，也为大数据处理中二进制数据的存储优化提供了重要参考。