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：

1. 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。

2. 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：

1. 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。

2. 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。

3. 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：

1. 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)。

2. 如需页面级统计，务必设置合理的statistics_truncate_length值（如1024字节）。

3. 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。