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:
-
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。
-
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。
-
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:
-
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。
-
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。
-
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:
-
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。
-
明确设置statistics_truncate_length参数,避免依赖默认值。
-
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。
-
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。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









