YTsaurus项目中Arrow格式在Job代理中的支持与应用
2025-07-05 07:13:36作者:咎岭娴Homer
背景介绍
YTsaurus作为分布式数据处理平台,其数据处理能力很大程度上依赖于高效的数据序列化格式。在数据处理流程中,格式转换往往成为性能瓶颈之一。本文将重点介绍YTsaurus 23.2版本中对Arrow格式在Job代理中的支持情况及其实际应用价值。
Arrow格式在YTsaurus中的演进
在YTsaurus早期版本中,Arrow格式仅支持通过网络接口读取数据,而在Job代理中并不支持。这导致用户在处理数据时需要经历多次格式转换:
- 读取YSON格式数据
- 转换为Python对象
- 批处理
- 转换为Pandas/Polars/PyArrow等数据框
- 执行向量化操作
这种转换链条中,格式转换环节(特别是Python对象创建)消耗了大量时间,在某些场景下甚至占据了总处理时间的绝大部分。
性能对比
实际测试表明,当使用网络接口直接读取Arrow格式数据时,相比传统YSON处理流程可以获得5-10倍的性能提升。例如,一个原本需要2小时完成的任务,在使用Arrow格式后仅需10分钟左右。
23.2版本的关键改进
YTsaurus 23.2版本通过关键提交实现了Job代理对Arrow格式的完整支持。这一改进使得用户可以在MapReduce作业中直接使用Arrow格式作为输入和输出,完全避免了中间格式转换带来的性能损耗。
实际应用示例
以下代码展示了如何在23.2版本中使用Arrow格式:
from yt.wrapper.format import ArrowFormat
from yt.wrapper.schema import TableSchema
from yt.wrapper import TablePath
import yt.type_info as yt_type_info
# 创建客户端连接
client = create_yt_client()
# 定义表结构
schema = TableSchema().add_column("a", yt_type_info.Int64).build_schema_sorted_by("a")
# 写入测试数据
client.write_table(TablePath("//tmp/input", schema=schema), [{"a": i} for i in range(10)])
# 使用Arrow格式运行Map作业
client.run_map(
"cat",
"//tmp/input",
"//tmp/output",
input_format=ArrowFormat(raw=True),
output_format=ArrowFormat(raw=True),
)
技术实现要点
- 原始模式支持:通过设置
raw=True
参数,可以直接处理原始的Arrow数据,无需额外解析 - 类型系统集成:与YTsaurus的类型系统(如
yt_type_info
)无缝集成 - 性能优化:避免了Python对象创建的中间环节,直接进行向量化处理
版本兼容性说明
需要注意的是,Arrow格式在Job代理中的完整支持是从23.2版本开始引入的。用户在使用时应确保集群版本符合要求,否则会遇到"Unsupported input format"错误。
总结
YTsaurus 23.2版本对Arrow格式的完整支持为数据密集型应用带来了显著的性能提升。这一改进特别适合以下场景:
- 需要频繁进行向量化运算的应用
- 大数据量的批处理作业
- 使用Pandas/Polars等数据分析库的工作流
随着Arrow格式支持的完善,YTsaurus在高效数据处理方面又迈出了重要一步,为用户提供了更多性能优化的可能性。
登录后查看全文
热门项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0135AI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。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00Spark-Scilit-X1-13B
FLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00GOT-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).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
JavaWeb企业门户网站源码 - 企业级门户系统开发指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 WebVideoDownloader:高效网页视频抓取工具全面使用指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 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
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
231
2.32 K

仓颉编译器源码及 cjdb 调试工具。
C++
112
78

暂无简介
Dart
532
117

React Native鸿蒙化仓库
JavaScript
216
291

Ascend Extension for PyTorch
Python
76
106

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
9
1

🎉 (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
993
588

仓颉编程语言测试用例。
Cangjie
34
61

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
130
648