Apache Arrow-RS项目中的Parquet二进制数据写入与读取问题分析
在Apache Arrow-RS项目中,开发人员发现了一个关于Parquet格式二进制数据处理的边界情况问题。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读取这些文件时会出现反序列化失败的问题。
问题现象
具体表现为:当使用arrow-rs写入包含大尺寸二进制数据的Parquet文件后,尝试通过pyarrow读取时,会抛出"Couldn't deserialize thrift: No more data to read. Deserializing page header failed"的错误。值得注意的是,这个问题仅出现在pyarrow读取时,而使用arrow-rs自身或DuckDB等其他工具读取这些文件则完全正常。
技术背景
Parquet格式使用Thrift进行序列化,在存储二进制数据时会生成相应的统计信息。这些统计信息默认情况下会包含完整的二进制数据摘要,当数据量很大时,会导致统计信息头部变得异常庞大。Pyarrow在实现中对Thrift反序列化缓冲区大小有限制,当遇到过大的统计信息头部时就会失败。
问题根源
经过深入分析,发现问题的核心在于两个方面:
-
arrow-rs在生成页面级统计信息时,没有正确应用statistics_truncate_length参数,导致即使设置了截断长度,统计信息仍然会包含完整的二进制数据。
-
Pyarrow对Thrift反序列化缓冲区大小的限制较为严格,无法处理超过约8MB的统计信息头部。
解决方案
项目团队通过以下方式解决了这个问题:
-
修复了arrow-rs中页面统计信息截断功能的实现,确保statistics_truncate_length参数能够正确生效。
-
建议在写入大尺寸二进制数据时,合理设置统计信息截断长度,避免生成过大的统计信息头部。
-
对于默认配置,团队正在考虑将statistics_truncate_length的默认值设置为64字节,以平衡统计信息的实用性和文件兼容性。
性能考量
测试数据显示,启用页面级统计信息(PAGE)会使文件大小显著增加(约3倍),这是因为除了常规统计信息外,还会写入页面索引数据。团队已经注意到这一点,并计划在未来版本中优化这一行为。
最佳实践
对于需要处理大尺寸二进制数据的应用,建议:
-
对于不需要精确统计的场景,考虑禁用统计信息或仅启用块级统计(CHUNK)。
-
如需页面级统计,务必设置合理的statistics_truncate_length值(如1024字节)。
-
在跨语言/工具使用Parquet文件时,提前测试不同工具间的兼容性。
这个问题及其解决方案不仅提高了arrow-rs与pyarrow的兼容性,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









