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。
- 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!C0300- 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









