首页
/ Apache Arrow-RS项目中的Parquet二进制数据写入与读取问题分析

Apache Arrow-RS项目中的Parquet二进制数据写入与读取问题分析

2025-07-01 21:31:14作者:温玫谨Lighthearted

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。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
59
94
RuoYi-Vue3RuoYi-Vue3
🎉 (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
973
574
nop-entropynop-entropy
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
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
81
openHiTLSopenHiTLS
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!
C
1.02 K
399
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
1.2 K
133